СТРУКТУРНЫЕ ИЗМЕНЕНИЯ В ТРУДОВЫХ РЕСУРСАХ УКРАИНЫ (#paragraph5)
library(dplyr)
library(ggplot2)
library(scales)
library(wbstats)
library(Quandl)
library(xlsx)
library(gridExtra)
library(rvest)
library(stringr)
# DOWNLOAD FILES
## 1. Extractive Industry Data
url <- "https://rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/master/Data/Extractive%20industry.xlsx"
if(!file.exists("Extractive industry.xlsx")){
download.file(url, destfile = "Extractive industry.xlsx", method = "curl")
}
## 2. Processing Industry Data
url <- "https://rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/master/Data/Processing%20industry_fin.xlsx"
if(!file.exists("Processing industry_fin.xlsx")){
download.file(url, destfile = "Processing industry_fin.xlsx", method = "curl")
}
## 3. Investments in the fixed assets of ukrainain companies by type of the economic activity per year
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/investments%20in%20the%20fixed%20assets.xlsx"
if(!file.exists("investments in the fixed assets.xlsx")){
download.file(url, destfile = "investments in the fixed assets.xlsx", method = "curl")
}
## 4. Data on the number of people employed in various sectors of the economy for years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/labour.xlsx"
if(!file.exists("labour.xlsx")){
download.file(url, destfile = "labour.xlsx", method = "curl")
}
## 4a. Data on the number of people employed in economic activities
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/84f82fa1/Data/employed_in_economic_activity.xlsx"
if(!file.exists("employed_in_economic_activity.xlsx")){
download.file(url, destfile = "employed_in_economic_activity.xlsx", method = "curl")
}
## 5. Private sector share in GDP (in per cent)
#url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/GDP_by_private_companies_ua_by_year.xlsx"
#if(!file.exists("GDP_by_private_companies_ua_by_year.xlsx")){
# download.file(url, destfile = "GDP_by_private_companies_ua_by_year.xlsx", method = "curl")
# }
## 5. Private sector share in GDP (in per cent)
url <- "http://www.ebrd.com/downloads/research/economics/macrodata/sci.xls"
if(!file.exists("sci.xls")){
download.file(url, destfile = "sci.xls", method = "curl")
}
## 6. Data on investments in privatized companies by years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/investments_in_privatized_companies.xlsx"
if(!file.exists("investments_in_privatized_companies.xlsx")){
download.file(url, destfile = "investments_in_privatized_companies.xlsx", method = "curl")
}
## 7. Data on Enterprises by ownership
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/number_of_enterprices_%20by_ownership_ua.xlsx"
if(!file.exists("number_of_enterprices_ by_ownership_ua.xlsx")){
download.file(url, destfile = "number_of_enterprices_ by_ownership_ua.xlsx", method = "curl")
}
## 8. Privatization contracts by State control over the fulfillment of the terms of sales contracts by groups of privatization objects
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/privatization_contracts_over_control.xlsx"
if(!file.exists("privatization_contracts_over_control.xlsx")){
download.file(url, destfile = "privatization_contracts_over_control.xlsx", method = "curl")
}
## 9. Privatization index of EBRD. Selected countries
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/privatization_index_EBRD_selected_countries.xlsx"
if(!file.exists("privatization_index_EBRD_selected_countries.xlsx")){
download.file(url, destfile = "privatization_index_EBRD_selected_countries.xlsx", method = "curl")
}
## 10. % of privatization in the total Ukrainian budget receipts per year
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx"
if(!file.exists("privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx")){
download.file(url, destfile = "privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx", method = "curl")
}
## 11. Data on the groups, number and years of privatized companies in the Ukraine
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/265e2aa7/Data/privatization_ua.xlsx"
if(!file.exists("privatization_ua.xlsx")){
download.file(url, destfile = "privatization_ua.xlsx", method = "curl")
}
## 12. Ukrainian Budget Receipt from privatization (comulative total)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/ukr_budget_receipt_comulative_total.xlsx"
if(!file.exists("ukr_budget_receipt_comulative_total.xlsx")){
download.file(url, destfile = "ukr_budget_receipt_comulative_total.xlsx", method = "curl")
}
## 13. Ukrainian Budget Receipt from privatization (per year)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/ukr_budget_receipt_per_year.xlsx"
if(!file.exists("ukr_budget_receipt_per_year.xlsx")){
download.file(url, destfile = "ukr_budget_receipt_per_year.xlsx", method = "curl")
}
## 14. Number of privatized companies of groups В,G by industries on.01.01.2005
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/9aac259c/Data/privatization_by_economic_activity.xlsx"
if(!file.exists("privatization_by_economic_activity.xlsx")){
download.file(url, destfile = "privatization_by_economic_activity.xlsx", method = "curl")
}
## 15. Analysis of the control over the fulfillment of the terms of sales contracts by groups of privatization objects
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/00c8fffa/Data/violations_in_%20the_%20contracts_over_control.xlsx"
if(!file.exists("violations_in_ the_ contracts_over_control.xlsx")){
download.file(url, destfile = "violations_in_ the_ contracts_over_control.xlsx", method = "curl")
}
## 16. Penalties accrued for violating the terms of contracts of sale and purchase of privatization objects by years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/00c8fffa/Data/penalties_per_violation_in_the_contracts_over_control.xlsx"
if(!file.exists("penalties_per_violation_in_the_contracts_over_control.xlsx")){
download.file(url, destfile = "penalties_per_violation_in_the_contracts_over_control.xlsx", method = "curl")
}
## 17. Salaries in Ukraine by economic activity and company (orgainzation, institution, body) legal form in 2015 (UAH)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/8355cb04/Data/salaries%20by%20economic%20activity.xlsx"
if(!file.exists("salaries by economic activity.xlsx")){
download.file(url, destfile = "salaries by economic activity.xlsx", method = "curl")
}
## 18. Labour force of Ukraine by economic activity in 2015 (%)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/8355cb04/Data/labour%20force%20by%20economic%20activity.xlsx"
if(!file.exists("labour force by economic activity.xlsx")){
download.file(url, destfile = "labour force by economic activity.xlsx", method = "curl")
}
## 19. Global Economic Monitor.
url <- "http://databank.worldbank.org/data/download/GemDataEXTR.zip"
if(!file.exists("GemDataEXTR.zip")){
download.file(url, destfile = "GemDataEXTR.zip")
}
# Extract the desired file from zip
unzip("GemDataEXTR.zip", files = "Industrial Production, constant 2010 US$, not seas. adj..xlsx")
## 20. Monopolization of Ukraine by years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/79475ea3/Data/monopoly%20by%20year.xlsx"
if(!file.exists("monopoly by year.xlsx")){
download.file(url, destfile = "monopoly by year.xlsx", method = "curl")
}
## 21. Monopolization by the branches of national economy
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/79475ea3/Data/Monopolization%20by%20the%20branches%20of%20national%20economy.xlsx"
if(!file.exists("Monopolization by the branches of national economy.xlsx")){
download.file(url, destfile = "Monopolization by the branches of national economy.xlsx", method = "curl")
}
## 22. Monopolization level by economic activity
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/79475ea3/Data/monopolization%20level%20by%20economic%20activity.xlsx"
if(!file.exists("monopolization level by economic activity.xlsx")){
download.file(url, destfile = "monopolization level by economic activity.xlsx", method = "curl")
}
## 23. Wearout of fixed assets (%) (Fig.70-72)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/6bd2543c/Data/fixed%20assets.xlsx"
if(!file.exists("fixed assets.xlsx")){
download.file(url, destfile = "fixed assets.xlsx", method = "curl")
}
## 24. % of offshore zones investments in Ukraine (Fig.74)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/8c837f85/Data/offshore%20zones%20investments.xlsx"
if(!file.exists("offshore zones investments.xlsx")){
download.file(url, destfile = "offshore zones investments.xlsx", method = "curl")
}
#----------------------------------------------------------------------------------------------------------------
#READ FILES
## 1. Extractive Industry Data
ExtractiveIndustry <- read.xlsx("Extractive industry.xlsx", sheetName="extractive industry", header=TRUE)
## 2. Processing Industry Data
ProcessingIndustry <- read.xlsx("Processing industry_fin.xlsx", sheetName="processing industry", header=TRUE)
## 3. Investments in the fixed assets of ukrainain companies by type of the economic activity per year
FixedAssetsInvestments <- read.xlsx("investments in the fixed assets.xlsx", sheetName="investments in the fixed assets",header=TRUE)
## 4. Data on the number of people employed in various sectors of the economy for years
Labour <- read.xlsx("labour.xlsx", sheetName="labour of ukraine", header=TRUE)
## 4a. Data on the number of people employed in economic activities
Employed_in_economic <- read.xlsx("employed_in_economic_activity.xlsx", sheetName="employed in activities", header=TRUE)
## 5. Private sector share in GDP (in per cent)
#GDPprivat <- read.xlsx("GDP_by_private_companies_ua_by_year.xlsx", sheetName="GDP by private companies in Ukr", header=TRUE)
GDPprivat <- read.xlsx("sci.xls", sheetName="Ukraine", header=TRUE)
## 6. Data on investments in privatized companies by years
PrivatizedCompaniesInvestments <- read.xlsx("investments_in_privatized_companies.xlsx", sheetName="invest", header=TRUE)
## 7. Data on Enterprises by ownership
OwnershipData <- read.xlsx("number_of_enterprices_ by_ownership_ua.xlsx", sheetName="enterprises by ownership", header=TRUE)
## 8. Privatization contracts by State control over the fulfillment of the terms of sales contracts by groups of privatization objects
PrivStateControl <- read.xlsx("privatization_contracts_over_control.xlsx", sheetName="control over contracts", header=TRUE)
## 9. Privatization index of EBRD. Selected countries
PrivIndexEBRD <- read.xlsx("privatization_index_EBRD_selected_countries.xlsx", sheetName="privatization index", header=TRUE)
## 10. % of privatization in the total Ukrainian budget receipts per year
BudgetPrivReceipts <- read.xlsx("privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx", sheetName="% of privatization in total ", header=TRUE)
## 11. Data on the groups, number and years of privatized companies in the Ukraine
PrivatizationUA <- read.xlsx("privatization_ua.xlsx", sheetName="privatization", header=TRUE)
## 12. Ukrainian Budget Receipt from privatization (comulative total)
BudgetPriv_comulative <- read.xlsx("ukr_budget_receipt_comulative_total.xlsx", sheetName="budget receipt comulative", header=TRUE)
## 13. Ukrainian Budget Receipt from privatization (per year)
BudgetPriv_perYear <- read.xlsx("ukr_budget_receipt_per_year.xlsx", sheetName="budget receipts per year", header=TRUE)
## 14. Number of privatized companies of groups В,G by industries on.01.01.2005
Priv_economic_activity <- read.xlsx("privatization_by_economic_activity.xlsx", sheetName="privatization by econom.act.", header=TRUE)
## 15. Analysis of the control over the fulfillment of the terms of sales contracts by groups of privatization objects
Violations_contracts <- read.xlsx("violations_in_ the_ contracts_over_control.xlsx", sheetName="violations", header=TRUE)
## 16. Penalties accrued for violating the terms of contracts of sale and purchase of privatization objects by years
Penalties_per_violation <- read.xlsx("penalties_per_violation_in_the_contracts_over_control.xlsx", sheetName="penalties", header=TRUE)
## 17. Salaries in Ukraine by economic activity and company (orgainzation, institution, body) legal form in 2015 (UAH)
Salaries <- read.xlsx("salaries by economic activity.xlsx", sheetName="salaries by econom.act.", header=TRUE)
## 18. Labour force of Ukraine by economic activity in 2015 (%)
Labour_force <- read.xlsx("labour force by economic activity.xlsx", sheetName="labour force by econom.act.", header=TRUE)
## 19. Global Economic Monitor -> Industrial production
Industrial_production <- read.xlsx("Industrial Production, constant 2010 US$, not seas. adj..xlsx", sheetName="annual", header=TRUE)
## 20. Monopolization of Ukraine by years
Monopoly_ua <- read.xlsx("monopoly by year.xlsx", sheetName="market type", header=TRUE)
## 21. Monopolization by the branches of national economy
Monopoly_by_branches <- read.xlsx("Monopolization by the branches of national economy.xlsx", sheetName="monoply by branch of nationecon", header=TRUE)
## 22. Monopolization level by economic activity
Monopoly_by_activity <- read.xlsx("monopolization level by economic activity.xlsx", sheetName="monopoly by econ.act.", header=TRUE)
## 23. Wearout of fixed assets (%) (Fig.70-72)
Depreciation_fixed_assets <- read.xlsx("fixed assets.xlsx", sheetName="wearout by ec.act.", header=TRUE)
## 24. % of offshore zones investments in Ukraine (Fig.74)
Offshore_investments <- read.xlsx("offshore zones investments.xlsx", sheetName="offshore investments", header=TRUE)
# 1. Extractive Industry Data
## new column names of dataframe
colnames(ExtractiveIndustry) <- c("ProductName", "Units", "1990", "1991", "1992", "1993", "1994", "1995", "1996", "1997", "1998", "1999", "2000", "2001", "2002", "2003", "2004", "2005", "2006", "2007", "2008", "2009", "2010", "2011", "2012", "2013", "2014", "2015")
## new temporary dataframe
testDF <- data.frame()
## convert dataframe ExtractiveIndustry in to machine format
for (x in 1:15) {
year <- 1990
testDF$X.Coal.available. <- as.character(testDF$X.Coal.available.)
testDF$X.Million.tones. <- as.character(testDF$X.Million.tones.)
for(i in 3:28){
testDF$X.1990. <- as.numeric(testDF$X.1990.)
testDF$NA_character_. <- as.numeric(testDF$NA_character_.)
temp <- c(as.character(ExtractiveIndustry[x,1]),
as.character(ExtractiveIndustry[x,2]), as.numeric(ExtractiveIndustry[x,i]),
as.numeric(year))
testDF <- rbind(testDF, temp)
year <- year +1
}
}
## new column names of dataframe
colnames(testDF) <- c("ProductName", "Units", "Value", "Year")
## deleting of excess line
testDF <- testDF[-1,]
## deleting unnecessary characters in the text
testDF$ProductName <- gsub("\302\240"," - ",testDF$ProductName)
## Extractive Industry Data in new format
ExtractiveIndustry <- testDF
ExtractiveIndustry$Value <- as.numeric(ExtractiveIndustry$Value)
ExtractiveIndustry$Year <- as.factor(ExtractiveIndustry$Year)
#2. Processing Industry Data
## new column names of dataframe
colnames(ProcessingIndustry) <- c("ProductName", "Units", "1990", "1991", "1992", "1993", "1994", "1995", "1996", "1997", "1998", "1999", "2000", "2001", "2002", "2003", "2004", "2005", "2006", "2007", "2008", "2009", "2010", "2011", "2012", "2013", "2014", "2015")
## change class of the columns
for(i in 3:28){
ProcessingIndustry[,i] <- suppressWarnings(as.numeric(as.character(ProcessingIndustry[,i])))
}
## new temporary dataframe
testDF <- data.frame()
## convert dataframe ProcessingIndustry in to machine format
for (x in 1:152) {
year <- 1990
testDF$X.Fresh..fresh.killed..or.cooled.beef.and.veal. <- as.character(testDF$X.Fresh..fresh.killed..or.cooled.beef.and.veal.)
testDF$X.Thousand.tons. <- as.character(testDF$X.Thousand.tons.)
for(i in 3:28){
testDF$X.1990. <- as.numeric(testDF$X.1990.)
testDF$NA_character_. <- as.numeric(testDF$NA_character_.)
temp <- c(as.character(ProcessingIndustry[x,1]),
as.character(ProcessingIndustry[x,2]), as.numeric(ProcessingIndustry[x,i]),
as.numeric(year))
testDF <- rbind(testDF, temp)
year <- year +1
}
}
## new column names of dataframe
colnames(testDF) <- c("ProductName", "Units", "Value", "Year")
## deleting of excess line
testDF <- testDF[-1,]
## deleting unnecessary characters in the text
testDF$ProductName <- gsub("\302\240"," ",testDF$ProductName)
testDF$ProductName <- gsub("\342\200\223"," ",testDF$ProductName)
## Extractive Industry Data in new format
ProcessingIndustry <- testDF
ProcessingIndustry$Value <- as.numeric(ProcessingIndustry$Value)
#ProcessingIndustry$Year <- as.factor(ProcessingIndustry$Year)
# 3. Private sector share in GDP (in per cent)
GDPprivat2 <- GDPprivat
GDPprivat <- data.frame(GDPprivat2[2,3],GDPprivat2[5,3])
for(i in 4:9){
temp <- data.frame(GDPprivat2[2,i],GDPprivat2[5,i])
names(GDPprivat) <- names(temp)
GDPprivat <- rbind(GDPprivat, temp)
}
colnames(GDPprivat) <- c("Year", "% of GDP by private companies")
# 4. Scraping of data from the Internet, cleaning them, and creating a new dataframe with minimum wage data for the countries of the world (Year 2013. For Fig. 36)
# Указываем страницу с данными
page <- read_html("http://www.nationmaster.com/country-info/stats/Labor/Salaries-and-benefits/Monthly-minimum-wage")
# Скачиваем столбик - country
country <- page %>% html_nodes(".full") %>%
html_text()
# Скачиваем столбик - amount
amount <- page %>% html_nodes(".amount") %>%
html_text()
# Удаляем лишнюю строку
amount <- amount[-1]
# Объеденяем оба столбца в одну таблицу
df <- data.frame(country, amount)
# Чистим полученые данные.
df$amount <- gsub("\r\n","",df$amount)
df$amount <- str_trim(df$amount) # удаление пробелов
df$amount <- gsub("EUR","",df$amount)
df$amount <- gsub(",","",df$amount)
df$amount <- as.numeric(df$amount)
MinWage <- df
colnames(MinWage) <- c("Country", "EUR")
# 5. Scraping of data from the Internet, cleaning them, and creating a new dataframe with avarage wage data for the countries of the world (Year 2013. For Fig. 37)
# Указываем страницу с данными
page <- read_html("http://www.nationmaster.com/country-info/stats/Cost-of-living/Average-monthly-disposable-salary/After-tax")
# Скачиваем столбик - country
country <- page %>% html_nodes(".full") %>%
html_text()
# Скачиваем столбик - amount
amount <- page %>% html_nodes(".amount") %>%
html_text()
# Удаляем лишнюю строку
amount <- amount[-1]
# Объеденяем оба столбца в одну таблицу
AvWage <- data.frame(country, amount)
# Чистим полученые данные.
AvWage$amount <- gsub("\r\n","",AvWage$amount)
AvWage$amount <- str_trim(AvWage$amount) # удаление пробелов
AvWage$amount <- gsub("\\$","",AvWage$amount)
AvWage$amount <- gsub(",","",AvWage$amount)
AvWage$amount <- as.numeric(AvWage$amount)
colnames(AvWage) <- c("Country", "USD")
# 5. Industrial production for Fig.38
Industrial_production2 <- select(Industrial_production, c(c......1991....1992....1993....1994....1995....1996....1997..., Belarus, Lithuania, Latvia, Russian.Federation, Ukraine))
# 6. Data cleaning for the section on monopoly
colnames(Monopoly_ua) <- c("Market.type", "Year", "Market.share(%)")
colnames(Monopoly_by_branches) <- c("Market.type", "Branch", "%")
colnames(Monopoly_by_activity) <- c("Economic.activity", "Type.of.the.market", "%")
Большинство статистических данных раздела «Приватизация в Украине 1992-2015 гг.» (рис.1-3), касающиеся количественных показателей приватизированных объектов в Украине по группам и годам взяты из официальных итоговых годовых отчетов Фонда государственного имущества Украины за соответствующие годы (с 1992 по 2016). На момент последней редакции данной работы, эти отчеты можно было выбрать среди других документов и загрузить на портале Фонда в разделе Деятельность /Отчеты Фонда по ссылке http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html . Отчеты меняли свою структуру из года в год, но в основном (особенно в последние годы), общие количественные данные по приватизированным объектам представлялись в отчетах в приложении 1. Кроме того, для удобства читателя, данные отчеты были отобраны авторами и загружены на сайте __________. Для того, что бы иметь возможность отследить динамику приватизации объектов по годам и группам, таблицы с разбивкой по годам формировались из этих отчетов авторами самостоятельно. Данные авторских таблиц в формате excel могут быть загружены читателем на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_ua.xlsx.* Данные графика 5 (индекс приватизации) взяты авторами из базы данных ЕБРР. Полные версии файлов с данными по индексу приватизации более чем по 50 странам могут быть самостоятельно загружены читателем на портале ЕБРР (путь: Home/What We Do/EBRD economics/Economic data/Forecasts/data, indicators). На момент последней редакции данной работы это соответствовало ссылке http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html. Кроме того, для удобства читателя, данные файлы были загружены авторами на сайт __________. На основе данных, выбранных для анализируемых стран, авторами была сформирована таблица в формате excel, которая так же загружена на сайт https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_index_EBRD_selected_countries.xlsx.*
Исходные статистические данные поступлений в государственный бюджет Украины, полученные от приватизации (Рис.6), так же взяты в соответствующих ежегодных отчетах Фонда Госимущества (обычно они либо приводятся в теле отчета, либо, что более характерно для последних лет, выводятся в отдельное приложение). Авторские таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_comulative_total.xlsx Эти данные стали основой для авторских расчетов данных графиков 7-10. Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_per_year.xlsx* Данные, касающихся государственного контроля за выполнением условий договор купли-продажи (рисунки 11-18) так же приводятся в соответствующих разделах отчетов Фонда. Авторские таблицы в формате excel, построенные на базе этих данных, могут быть загружены читателем на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_contracts_over_control.xlsx.*
Этап «большой приватизации» в Украине закончился в 2000 г. За 8 лет (в период с 1992 по 2000 г) было приватизировано 18204 объекта государственной собственности, что в два раза больше чем за следующие 15 лет. (с 2001 по 2016 гг). Всего за период независимости Украина избавилась от «балласта» и передала в частные руки более 28 тыс.предприятий. (Классификация предприятий по группам в соответствии с Законом Украины «О приватизации» приведена в Приложении 1). Большая их часть (более 15 тыс.), конечно же, относилась к так называемой «группе А» - малым предприятиям, стоимость основных фондов которых не превышает 1 млн. гривен. Предприятий групп В и Г – ( большие предприятия, а так же предприятия, имеющие стратегическое значение), было приватизировано более 7 тыс. При этом их львиная доля – более 97% - была приватизирована еще на этапе «большой приватизации» - до 2000 года. В основном это касалось предприятий пищевой, добывающей и перерабатывающей промышленности, металлургии, производства гражданских видов транспорта. Порядка 1400 объектов группы Ж (объекты социо-культурного назначения) так же были приватизированы за годы независимости. Из них около 40% - в период до 2000 года, и 60% - после. (Более детально см.Рис.1.и Рис.2)1
# Organization of data for plotting Fig.1.
# Clean Na's
good <- complete.cases(PrivatizationUA)
PrivatizationUA_clean <- PrivatizationUA[good,]
# Preparing data for plotting
x <- c("A", "B,G", "D", "E", "Zh")
#Creating a dataframe privatized companies by groups
Privatized_companies <- data.frame()
for(i in x){
temp <- PrivatizationUA_clean %>% filter(Companies.class == i)%>%
summarise(Companies.class = i ,Number.of.privatized.companies = sum(Number.of.privatized.companies))
Privatized_companies <- rbind(Privatized_companies, temp)
}
Privatized_companies$Companies.class <- as.factor(Privatized_companies$Companies.class)
# Output the table
Privatized_companies
## Companies.class Number.of.privatized.companies
## 1 A 15005
## 2 B,G 7086
## 3 D 3949
## 4 E 749
## 5 Zh 1386
# Plot the dataframe
ggplot(data = Privatized_companies, aes(x = Companies.class, y = Number.of.privatized.companies,
fill = Companies.class ))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
xlab("Class of privatized companies")+
ylab("Number of privatized companies")+
ggtitle("Fig.1. Number of enterprises privatized by 2016 by groups")
# Organization of data for plotting Fig.2.
# Create a function "count_priv_companies" that counts the number of privatized enterprises per group for a given period of time
count_priv_companies <- function(year) {
# Download tha Data of privatized companies in the Ukraine
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/265e2aa7/Data/privatization_ua.xlsx"
if(!file.exists("privatization_ua.xlsx")){
download.file(url, destfile = "privatization_ua.xlsx", method = "curl")
}
# Read th Data
PrivatizationUA <- read.xlsx("privatization_ua.xlsx", sheetName="privatization", header=TRUE)
# Delete Na's
good <- complete.cases(PrivatizationUA)
PrivatizationUA_clean <- PrivatizationUA[good,]
# Change the column class and give to Na's the value of 1993 year, which was previously 1992-1993
PrivatizationUA_clean$Year <- suppressWarnings(as.numeric(as.character(PrivatizationUA_clean$Year)))
PrivatizationUA_clean$Year[c(1,24,46)] <- 1993
# Create a temporary dataframes
Privatized_byYear <- data.frame()
temp2 <- data.frame()
temp3 <- data.frame()
# Assign to X the value of classes of privatized enterprises
x <- c("A", "B,G", "D", "E", "Zh")
# for-loop which counts the number of enterprises for the given years
for(i in x){
for(y in year){
temp <- PrivatizationUA_clean %>% filter(Companies.class == i & Year == y)
temp2 <- rbind(temp2, temp)
}
temp3 <- temp2 %>%
summarise(Companies.class = i ,Number.of.privatized.companies = sum(Number.of.privatized.companies))
Privatized_byYear <- rbind(Privatized_byYear, temp3)
temp2 <- NULL
}
# Output the result value
Privatized_byYear
}
phase1 <- count_priv_companies(1993:2000)
phase2 <- count_priv_companies(2001:2005)
phase3 <- count_priv_companies(2006:2010)
phase4 <- count_priv_companies(2010:2015)
phase1$years <- as.factor(c("1992-2000", "1992-2000", "1992-2000", "1992-2000", "1992-2000"))
phase2$years <- as.factor(c("2001-2005", "2001-2005", "2001-2005", "2001-2005", "2001-2005"))
phase3$years <- as.factor(c("2006-2010", "2006-2010", "2006-2010", "2006-2010", "2006-2010"))
phase4$years <- as.factor(c("2010-2015", "2010-2015", "2010-2015", "2010-2015", "2010-2015"))
all_phases <- rbind(phase1, phase2, phase3, phase4)
ggplot(data = all_phases, aes(x = Companies.class, y = Number.of.privatized.companies,
fill = Companies.class ))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
xlab("Class of privatized companies")+
ylab("Number of privatized companies")+
ggtitle("Fig.2. Number of privatized enterprises by groups (1992-2015)")+
facet_grid(.~years, scales = "free")
all_phases
## Companies.class Number.of.privatized.companies years
## 1 A 8688 1992-2000
## 2 B,G 6777 1992-2000
## 3 D 1565 1992-2000
## 4 E 544 1992-2000
## 5 Zh 630 1992-2000
## 6 A 4040 2001-2005
## 7 B,G 241 2001-2005
## 8 D 1977 2001-2005
## 9 E 124 2001-2005
## 10 Zh 557 2001-2005
## 11 A 1767 2006-2010
## 12 B,G 27 2006-2010
## 13 D 304 2006-2010
## 14 E 55 2006-2010
## 15 Zh 154 2006-2010
## 16 A 663 2010-2015
## 17 B,G 50 2010-2015
## 18 D 116 2010-2015
## 19 E 43 2010-2015
## 20 Zh 58 2010-2015
Поскольку практически все предприятия групп В и Г были приватизированы до 2005 (7 тыс.) то структура приватизированных в этот период предприятий по отраслям промышленности даст нам общее понимание того, какие именно сектора реальной экономики государство передало в частные руки. (Рис.3) Как мы видим, основными отраслями промышленности, которых коснулась приватизация, стали машиностроение, строительство, пищевая и транспортная промышленность.
Priv_economic_activity
## economic.activity number.of.privatized.companies.on.01.01.2005
## 1 Mashine building 1698
## 2 Construction 1355
## 3 Food industry 1167
## 4 Transport industry 1092
## 5 Construction Materials 516
## 6 Light industry 391
## 7 Woodprocessing industry 241
## 8 Chemical industry 156
## 9 Ferrous metallurgy 123
## 10 Fuel industry 41
## 11 Power engineering 38
ggplot(data = Priv_economic_activity, aes(x = economic.activity, y = number.of.privatized.companies.on.01.01.2005,
fill = economic.activity))+
geom_bar(colour="black", stat = "identity")+
coord_flip()+
xlab("Economic activity")+
ylab("Number of privatized companies")+
ggtitle("Fig.3. Number of privatized companies by industries on.01.01.2005")
Об ударных темпах приватизации так же говорит и тот факт, что еще в 2001 году количество государственных предприятий составляло 5% от общего числа предприятий Украины, а уже в 2014 – только 2% (около 6 тыс.), Из них более 2 тыс. относились к предприятиям военно-промышленного комплекса и инфраструктурным предприятиям – отраслям промышленности, пока практически избежавшим приватизации.4 (рис.4).
OwnershipData
## year enterprise.ownership number.of.enterprices
## 1 2001 state 9965
## 2 2006 state 7562
## 3 2007 state 7359
## 4 2008 state 7213
## 5 2009 state 6975
## 6 2010 state 6801
## 7 2011 state 6661
## 8 2012 state 6512
## 9 2013 state 6075
## 10 2014 state 5933
## 11 2001 private 192168
## 12 2006 private 248211
## 13 2007 private 258536
## 14 2008 private 270331
## 15 2009 private 278574
## 16 2010 private 283697
## 17 2011 private 285821
## 18 2012 private 283911
## 19 2013 private 280073
## 20 2014 private 278227
ggplot(data = OwnershipData, aes(x = year, y = number.of.enterprices,
fill = enterprise.ownership ))+
geom_bar(colour="black", stat = "identity")+
xlab("Class of privatized companies")+
ylab("Number of privatized companies")+
ggtitle("Fig.4. Number of state and private enterprises in Ukraine by years")
Даже Европейский Союз в лице Европейского Банка Реконструкции и Развития довольно высоко оценил эти успехи Украины на пути передачи государственного имущества в более эффективные частные руки, как обязательного условия успешного экономического развития. В своем ежегодном исследовании, аналитики Банка выставляют индексовый показатель (от «1» до «5»), оценивающий уровень приватизации в стране для крупных и мелких предприятий6:
Приватизации крупных предприятий:
«1» - Низкий уровень приватизации. «2» - Всесторонняя схема почти готова к внедрению; некоторые продажи завершены. «3» - Более 25 процентов крупных предприятий перешли в частные руки или в процессе приватизации. «4» - Более 50 процентов государственных предприятий и сельскохозяйственных активов в частной собственности. «4+» - Стандарты и показатели типичны для передовых промышленно развитых стран: более 75 процентов активов предприятий в частной собственности.
Приватизация мелких предприятий:
«1» - низкий уровень приватизации. «2» Значительная доля приватизирована. «3» Комплексная программа почти готова к реализации. «4» Полная приватизация малых компаний с торгуемых права собственности. «4+» Стандарты и показатели характерны для развитых индустриальных экономик: нет государственной собственности малых предприятий;
По этому комплексному оценочному показателю, начав вместе с другими странами бывшего СССР с «1» в 1990 году, уже к 2014 году Украина поднялась к «3» по приватизации крупных предприятий и к «4» по приватизации малых предприятий, значительно обогнав Беларусь, и совсем немного отстав от Латвии и Литвы, которые прожили эти годы в «европейской семье». (см.рис.5)
PrivIndexEBRD
## year country privatization.class privatization.index
## 1 1990 Ukraine big 1.0
## 2 2014 Ukraine big 3.0
## 3 1990 Ukraine small 1.0
## 4 2014 Ukraine small 4.0
## 5 1990 Belarus big 1.0
## 6 2014 Belarus big 1.7
## 7 1990 Belarus small 1.0
## 8 2014 Belarus small 2.3
## 9 1990 Latvia big 1.0
## 10 2014 Latvia big 3.7
## 11 1990 Latvia small 1.0
## 12 2014 Latvia small 4.0
## 13 1990 Lithuania big 1.0
## 14 2014 Lithuania big 4.0
## 15 1990 Lithuania small 1.0
## 16 2014 Lithuania small 4.3
ggplot(data = PrivIndexEBRD, aes(x = country, y = privatization.index,
fill = country ))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("EBRD privatization index")+
ggtitle("Fig.5. EBRD's assessment of the level of privatization by years.")+
facet_grid(privatization.class~year)
К каким результатам в экономике Украины, в совокупности с другими факторами, привело такое структурное изменение, как смена собственника с государственного на частного? Как отразилось на поступлениях в государственный бюджет? Стало ли подспорьем в борьбе с безработицей и бедностью? Подстегнуло ли к развитию промышленности?
Считается, что поступления в государственный бюджет от приватизации обычно «значительные», и являются важной статьей формирования доходной части бюджета. Уменьшение поступлений от приватизации в процентном соотношении за предыдущий отчетный период воспринимаются как «большая катастрофа», а увеличение – как «большое достижение», и всерьез и долго обсуждаются журналистами и экспертами в средствах массовой информации. Любознательный слушатель прямо сейчас может забить в поисковике словосочетание «поступления от приватизации в государственный бюджет» и убедиться, что это правда. Следует отметить, что Фонд Госимущества Украины, в своих ежегодных отчетах предпочитает публиковать график ежегодных поступлений в бюджет от приватизации по «накопительному итогу», т.е. прибавляя к отчетному периоду весь предыдущий «запас». В результате получается очень оптимистичная картина (Рис.6)7 некоего «стабильного роста», из которой следует, что всего за 1992-2015 гг от приватизации в бюджет страны поступило 63 млрд.грн.
BudgetPriv_comulative
## Year Million.UAH
## 1 1992-1999 1202.6
## 2 2000 3278.1
## 3 2001 5410.1
## 4 2002 5986.2
## 5 2003 8001.9
## 6 2004 17416.8
## 7 2005 38116.0
## 8 2006 36638.9
## 9 2007 41097.2
## 10 2008 41577.9
## 11 2009 42381.5
## 12 2010 43478.6
## 13 2011 54959.0
## 14 2012 61722.3
## 15 2013 63263.5
## 16 2014 63669.1
## 17 2015 63820.6
ggplot(data = BudgetPriv_comulative, aes(x = Year, y = Million.UAH, group = 1))+
geom_area(stat = "identity", fill = "darkgray")+
geom_line(colour="darkblue", size = 0.5)+
geom_point(colour="darkorange", size = 2)+
xlab("Year")+
ylab("Million UAH")+
ggtitle("Fig.6 Incomes to Ukraine budget from privatization in 1992-2015 (cumulative total)")
Однако, если посмотреть на реальные поступления в бюджет, не приплюсовывая «по-популистски» финансовые результаты всех предыдущих отчетных периодов к текущему, получится совершенно другая картина (рис.7)8.
BudgetPriv_perYear
## Year Million.UAH Million.USD
## 1 1992-1999 1202.6 683.30
## 2 2000 2075.5 377.36
## 3 2001 2132.0 387.64
## 4 2002 576.1 104.75
## 5 2003 2015.7 366.49
## 6 2004 9414.9 1711.80
## 7 2005 20699.2 4098.58
## 8 2006 522.9 103.54
## 9 2007 2458.3 486.79
## 10 2008 480.7 60.09
## 11 2009 803.6 80.36
## 12 2010 1097.1 109.71
## 13 2011 11480.4 1148.04
## 14 2012 6763.3 676.33
## 15 2013 1541.2 154.11
## 16 2014 405.6 40.56
## 17 2015 151.5 6.06
ggplot(data = BudgetPriv_perYear, aes(x = Year, y = Million.UAH))+
geom_bar(colour="black", stat = "identity")+
xlab("Years")+
ylab("Millions UAH")+
ggtitle("Fig.7. Number of privatized companies by industries on.01.01.2005")
«Пик» значительно больших поступлений в бюджет 2005 года связан с громкой ре-приватизацией «по честному» нескольких предприятий, проведенный правительством Тимошенко, а «пик» 2011 года – опять же, вынужденной необходимостью наполнить бюджет после президентских выборов 2010 г.
Так же стоит перевести «гривневые» поступления в бюджет Украины от приватизации в более «твердую валюту», например, в номинальные доллары США, что бы иметь возможность сравнивать эффективность приватизации в разные временные периоды. (рис.7а)
ggplot(data = BudgetPriv_perYear, aes(x = Year, y = Million.USD))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_cartesian(ylim=c(0, 3000))+
xlab("Years")+
ylab("Millions USD")+
ggtitle("Fig.7a. Number of privatized companies by industries on.01.01.2005")
Отдельно стоит отметить, что поступления в бюджет от приватизации за период 1992-2000 года – период, когда было приватизировано более 58% малых предприятий и 97% (!!!) больших и стратегически значимых предприятий, составили 1,06 млрд. номинальных долларов США, а поступления от приватизации с 2000 по 2015 год принесли более 9,5 млрд. – что в 9 раз больше. (Рис.8).
temp <- BudgetPriv_perYear[1:2,] %>% summarise(Year = "1992-2000", Million.USD = sum(Million.USD))
temp2 <- BudgetPriv_perYear[3:17,] %>% summarise(Year = "2001-2015", Million.USD = sum(Million.USD))
BudgetPriv_per2Phases <- rbind(temp, temp2)
#
ggplot(data = BudgetPriv_per2Phases, aes(x = Year, y = Million.USD, fill = Year))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
xlab("Years")+
ylab("Millions USD")+
ggtitle("Fig.8. Comparison of revenues to the budget from privatization by period")
Интересным при этом представляется сравнить поступления от приватизации с другими статьями пополнения бюджета и определить долю, которую занимает приватизация в его структуре. (Табл.1.)
Таблица 1. Сравнение поступлений от приватизации с общей доходной частью государственного бюджета Украины (млн. грн.)9
colnames(BudgetPrivReceipts) <- c("Year", "Total Incomes", "Income from privatization", "% Priv. to total income")
BudgetPrivReceipts[,5] <- NULL
BudgetPrivReceipts
## Year Total Incomes Income from privatization % Priv. to total income
## 1 2000 36229.9 2075.5 5.7300000
## 2 2001 39726.5 2132.0 5.3700000
## 3 2002 45467.6 576.1 1.2700000
## 4 2003 55076.9 2015.7 3.6600000
## 5 2004 70337.8 9414.9 13.3900000
## 6 2005 105191.9 20699.2 19.6800000
## 7 2006 127516.0 522.9 0.4100662
## 8 2007 157287.0 2458.3 1.5629391
## 9 2008 231686.3 480.7 0.2100000
## 10 2009 209700.3 803.6 0.3800000
## 11 2010 240615.2 1097.1 0.4600000
## 12 2011 314616.9 11480.4 3.6500000
## 13 2012 346054.0 6763.3 1.9500000
## 14 2013 339180.3 1541.1 0.4500000
## 15 2014 357084.2 405.6 0.1100000
## 16 2015 534694.8 151.5 0.0300000
Из данных таблицы видно, что в среднем поступления от приватизации составляли 0,9% общих доходов государственного бюджета Украины. Просто для того, что бы убедиться воочию, насколько мала эта доля, отобразим это процентное соотношение на графике (рис.9).
perc_inc <- data.frame(sum(BudgetPrivReceipts$`Income from privatization`)/sum(BudgetPrivReceipts$`Total Incomes`)*100, 0)
temp <- c(100 - perc_inc[1,1])
perc_inc <- rbind(perc_inc, temp)
colnames(perc_inc) <- c("% revenues", "Source of replenishment of the state budget")
perc_inc$`Source of replenishment of the state budget` <- c("% revenues from privatization", "% revenues from other sources")
#
ggplot(data = perc_inc, aes(x = `Source of replenishment of the state budget`, y = `% revenues`, fill = `Source of replenishment of the state budget`))+
geom_bar(colour="black", stat = "identity")+
xlab("Years")+
ylab("Millions USD")+
ggtitle("Fig.9. Comparison of receipts from privatization with other articles of income")
Если сопоставить поступления в бюджет от приватизации в долларах США по годам с количеством приватизированных за тот же год объектов, то можно получить следующую картину (Рис.10). В 1992-1999 гг один объект приватизации (читай «бизнес») частные собственники покупали у государства в среднем за 41 тыс.дол.США. С 2000 по 2014 год приходилось платить в среднем уже порядка 370 тыс.дол.США, за исключением «конъюнктурных пиков» 2004-2005 и 2011-2012 годов, описанных выше, когда такие покупки обходились в 4-6 млн.дол. В 2015 году, к слову, выкуп одного бизнеса у государства опять практически вернулся к уровню 1992-1999 гг., составив 51 тыс.дол.США.
# Preparing data for figure 10
## The average cost of one privatized state enterprise from 1992 to 1999
avercost <- data.frame("1992-1999", BudgetPriv_perYear[1,3]/sum(count_priv_companies(1993:1999)$Number.of.privatized.companies)*1000)
avercost2 <- data.frame(as.numeric(NULL,NULL))
## The average cost of one privatized state enterprise from 2000 to 2015 by years
for(i in 2000:2015){
x <- filter(BudgetPriv_perYear, Year == i)[1,3]
y <- sum(count_priv_companies(i)$Number.of.privatized.companies)
temp <- data.frame(i, (x/y)*1000)
if (ncol(avercost2)==ncol(temp)) {names(avercost2) <- names(temp)}
avercost2 <- rbind(avercost2, temp)
}
## Combine the data of the periods 1992-1999 and 2000-2015 into one table
names(avercost) <- names(avercost2)
avercost <- rbind(avercost2, avercost)
colnames(avercost) <- c("Year", "Nominal thousand USD for 1 company")
avercost$`Nominal thousand USD for 1 company` <- round(avercost$`Nominal thousand USD for 1 company`, 2)
Таблица–. Среднестатистическая стоимость 1го объекта приватизации по годам (ном.тыс.дол.США)
avercost
## Year Nominal thousand USD for 1 company
## 1 2000 221.33
## 2 2001 234.93
## 3 2002 65.72
## 4 2003 233.58
## 5 2004 1384.95
## 6 2005 4605.15
## 7 2006 154.08
## 8 2007 997.52
## 9 2008 110.87
## 10 2009 200.90
## 11 2010 535.17
## 12 2011 6636.07
## 13 2012 4001.95
## 14 2013 928.37
## 15 2014 405.60
## 16 2015 51.79
## 17 1992-1999 41.41
ggplot(data = avercost, aes(x = Year, y = `Nominal thousand USD for 1 company`, fill = `Nominal thousand USD for 1 company`))+
geom_bar(colour="black", stat = "identity")+
coord_cartesian(ylim=c(0, 4000))+
xlab("Years")+
ylab("Nominal thousand USD")+
ggtitle("Fig.10. The average cost of 1 privatized company by year")
Кроме того, следует отметить, что приватизация предприятия, как и любая другая смена владельца, зачастую, влечет за собой реструктуризацию, а следовательно, увольнение людей. Поскольку люди, работающие на государственных предприятиях, социально защищены гораздо лучше, чем в частной структуре, все они пользуются системой «социальной защиты», становятся на биржу труда, регистрируются в центрах занятости. Общие затраты государства на 1-го безработного, проходящего через систему социальной защиты, как прямые (выплаты пособий, переобучение, и.т.д.) так и косвенные (зарплаты социальных работников, содержание офисов центров занятости, и т.д.), составляют примерно 5 тыс.евро на человека по оценкам эксперта аналитической платформы VoxUkraine Люка Ванкраена10. Этот же эксперт, в своей статье Outsourcing Privatization In Ukraine To Attract Capital And Raise Efficiency (Аутсорсинг приватизации в Украине для привлечения капитала и повышения эффективности) отмечает, что в результате приватизации только за последние 5 лет более 500 тыс.чел. попали в систему социальной зашиты, потеряв работу из-за реструктуризации предприятия, сменившего собственника. Путем несложных расчетов можно убедиться, что, к сожалению, за последние 5 лет на социальные выплаты, переквалификацию, поиск нового места работы, и т.д. для людей, потерявших работу из-за того, что предприятия, где они работали ранее, были приватизированы, государство потратило примерно 2,5 млрд. евро, а «заработало» на приватизации всего 2,134 млрд. (примерно на 20% меньше).
Конечно же, формально существует механизм , благодаря которому государство может контролировать некоторое время (обычно от 3х до 5-ти лет) дальнейшую судьбу объектов, проданных в частные руки. Это специальные условия, указанные в договорах купли-продажи объектов приватизации. Такими условиями могут являться: привлечение инвестиций в приватизированное предприятие, неизменность основных видов деятельности, сохранение (а иногда и увеличение) количества рабочих мест, сохранение объемов выпускаемой продукции, и т.д. Такие договора находятся на контроле Фонда госимущества, которым проводятся ежегодные проверки выполнения указанных условий. Всего по накопительному итогу на 2015 год Фонд госимущества «отслеживал судьбу» 12359 объектов приватизации (43% общего количества приватизированных объектов): из них 2937 – объекты незавершенного строительства (или почти 75% общего количества приватизированных объектов этой группы), 8341 – объекты малой приватизации (56% объектов группы) а так же 1081 объект групп В и Г – крупных и стратегически важных предприятий. Относительно именно этих объектов (В и Г), казалось бы, контроль должен быть максимальным, го государство именно в этой группе, по чему то, оставило за собой право интересоваться дальнейшей судьбой всего лишь 15% предприятий этой группы. (Рис.11 и 12).
PrivStateControl
## object.class control.status number.of.objects
## 1 A not controlled 6559
## 2 B,G not controlled 5997
## 3 D not controlled 689
## 4 A controlled 8341
## 5 B,G controlled 1081
## 6 D controlled 2937
PrivStateControl$control.status <- as.factor(PrivStateControl$control.status)
class(PrivStateControl$control.status)
## [1] "factor"
ggplot(data = PrivStateControl, aes(x = object.class, y = number.of.objects, fill = control.status))+
geom_bar(stat = "identity")+
xlab("Group of enterprises")+
ylab("Number of enterprises")+
ggtitle("Fig.11. Privatized companies under state control and not controled.")
x <- c("A", "B,G", "D")
underControl <- data.frame()
for(i in x){
temp <- PrivStateControl %>% filter(object.class == i) %>%
summarise(object.class = i, `% under state control` = number.of.objects[2]/sum(number.of.objects)*100)
underControl <- rbind(underControl, temp)
}
underControl
## object.class % under state control
## 1 A 55.97987
## 2 B,G 15.27268
## 3 D 80.99835
ggplot(data = underControl, aes(x = object.class, y = `% under state control`, fill = object.class))+
geom_bar(stat = "identity")+
xlab("Group of enterprises")+
ylab("%")+
ggtitle("Fig.12. Percentage of privatized companies under state control")
Другими словами, в 85% случаях частный собственник, приобретая крупное или стратегически важное предприятие, не брал на себя никаких обязательств ни по привлечению инвестиций, ни по сохранению вида деятельности, ни по объемам выпускаемой продукции, ни по сохранению рабочих мест.
При этом, даже те собственники, которые брали на себя обязательства, соблюдали их отнюдь не всегда. Так, только официальные плановые проверки Фонда госимущества выявляли ежегодно нарушения условий договоров купли-продажи в среднем в 20% случаях от общего количества проверенных договоров. Как видно из графика (рис.13), наибольшее количество нарушений выявлялось на этапе «большой приватизации» - до 2000 года. После этого выявляемое проверками количество нарушений снизилось, и остается на уровне 14-15% ежегодно.
colnames(Violations_contracts) <- c("Year", "% contracts with violations")
Violations_contracts$Year <- as.factor(Violations_contracts$Year)
Violations_contracts
## Year % contracts with violations
## 1 1996 36.6
## 2 1997 32.4
## 3 1998 26.6
## 4 1999 20.8
## 5 2000 19.7
## 6 2001 17.9
## 7 2002 16.7
## 8 2003 13.7
## 9 2004 13.5
## 10 2005 15.0
## 11 2006 13.0
## 12 2008 14.0
## 13 2009 13.0
## 14 2012 12.6
## 15 2014 14.5
## 16 2015 13.4
ggplot(data = Violations_contracts, aes(x = Year, y = `% contracts with violations`, group = 1))+
geom_line(colour="darkblue")+
geom_point()+
xlab("Year")+
ylab("%")+
ggtitle("Fig.13. % Contracts with violations of the terms of sales of privatization objects")
При этом, каждый слушатель, без сомнения, будучи патриотом и любя свою страну, все же понимает уровень коррупции в ней, и может интуитивно оценить, каким, скорее всего, является реальный уровень нарушений, если данные официальных отчетов держатся на отметке 14-15%. Как же наказываются предприятия, которые нарушают условия договоров купли-продажи? Они оплачивают штрафы. Зная из отчетов Фонда госимущества количество предприятий-нарушителей и общую сумму штрафов, начисленную по результатам ежегодных проверок, несложно подсчитать, во сколько обходится предприятию невыполнение обязательств (в том числе и сохранение основных видов деятельности, создание рабочих мест, привлечение инвестиций). Для возможности сравнивать разные временные периоды, переведем сумму штрафов в номинальные дол.США. (См.рис.14.)
Penalties_per_violation2 <- filter(Penalties_per_violation, Category == "Penalties per violator")
Penalties_per_violation2$year <- as.factor(Penalties_per_violation2$year)
Penalties_per_violation2
## year Category units Number
## 1 2003 Penalties per violator USD per violator 151
## 2 2005 Penalties per violator USD per violator 230
## 3 2006 Penalties per violator USD per violator 199
## 4 2008 Penalties per violator USD per violator 153
## 5 2009 Penalties per violator USD per violator 340
## 6 2012 Penalties per violator USD per violator 1029
## 7 2014 Penalties per violator USD per violator 641
## 8 2015 Penalties per violator USD per violator 254
ggplot(data = Penalties_per_violation2, aes(x = year, y = Number, size=Number, group = 1))+
geom_line(colour="darkgray")+
geom_point(colour = "orange")+
xlab("Year")+
ylab("nominal US dollars per violator")+
ggtitle("Fig.14. Penalties accrued for violating the terms of privatization for 1 violator")
Сумма штрафа на одно предприятие составляла в среднем 374 доллара США в год, что навряд ли можно назвать серьезным сдерживающим фактором, мотивирующим руководство предприятия не нарушать обязательства по приватизационному договору. А вот «крайняя мера» - возврат предприятия в государственную собственность за все 20 лет была применена всего к 336 объектам. Т.е. из-за невыполнения условий приватизационных договоров было возвращено чуть больше 2% всех приватизированных предприятий, держащихся на контроле в Фонде госимущества. Основной вынужденной необходимостью приватизации промышленных предприятий считается всеми понятное «нет денег» у государства на модернизацию изношенных основных фондов, замену морально-устаревшего оборудования, квалифицированный менеджмент, маркетинг и т.д. Считается, что новый владелец – частник - обязательно вложит инвестиции в купленную собственность, создаст новые рабочие места, повысит зарплаты и предприятие получит «вторую жизнь». Давайте проанализируем по некоторым показателям успехи приватизированных в Украине предприятий14:.
В ежегодных отчетах Фонд госимущества так же публикует статистику по привлеченным в приватизированные предприятия инвестициям по накопительному итогу – картинка получается позитивная, линия графика инвестиций стремится вверх, достигая в 2015 году отметки почти в 30 млрд.грн. (Рис.15)15
PrivatizedCompaniesInvestments
## Year million.UAH million.USD
## 1 1995-2002 4620 1026.66667
## 2 2003 670 121.81818
## 3 2004 530 96.36364
## 4 2005 1060 209.90099
## 5 2006 1210 239.60396
## 6 2007 1310 259.40594
## 7 2008 510 63.75000
## 8 2009 6790 679.00000
## 9 2010 1170 117.00000
## 10 2011 1780 178.00000
## 11 2012 2360 236.00000
## 12 2013 2130 213.00000
## 13 2014 1360 136.00000
## 14 2015 2330 93.20000
# Пересчитываем таблицу, показывая ежегодный результат по накопительному методу
PCIcommulative <- data.frame(PrivatizedCompaniesInvestments[1,1], PrivatizedCompaniesInvestments[1,2])
for (i in 2:14){
temp <- data.frame(PrivatizedCompaniesInvestments[i,1], PrivatizedCompaniesInvestments[i,2] +
PCIcommulative[i-1,2])
names(PCIcommulative) <- names(temp)
PCIcommulative <- rbind(PCIcommulative, temp)
}
colnames(PCIcommulative) <- c("Year", "Million UAH")
ggplot(data = PCIcommulative, aes(x = Year, y = `Million UAH`, group = 1))+
geom_line(colour="darkgreen", size = 1)+
geom_point(colour = "orange")+
geom_smooth(method = "loess")+
xlab("Year")+
ylab("Million UAH")+
ggtitle("Fig.15. Investments in privatized enterprises by cumulative total (Billion UAH)")
ggplot(data = PrivatizedCompaniesInvestments, aes(x = Year, y = million.USD, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(aes(colour = million.USD, size = million.USD))+
geom_smooth(method = "loess")+
xlab("Year")+
ylab("Million USD")+
ggtitle("Fig.16. Investments in privatized enterprises by year (million USD)")
Итого, в приватизированные предприятия Украины частный собственник за 20 лет (с 1995 по 2015 год) вложил 3,6 млрд.дол.США. Если разделить эту сумму на все объекты приватизированной недвижимости, (28 тыс), получится, что каждое предприятие получало чуть более 6 тыс.дол. в год (или 130 тысяч долларов по накопительному итогу за все 20 лет). Даже, предположив, что инвестиции получали только крупные предприятия и объекты «недостроя», что составит 11 тыс.объектов (исключив из общего числа объекты малой приватизации), все равно сумма получится незначительной – 16,7 тыс.дол. ежегодно (или 330 тыс.долларов по накопительному итогу за 20 лет). Очевидно, что подобную сумму вряд ли можно счесть такой, которая в состоянии привести к качественным изменениям, позволяющим предприятиям стать конкурентоспособными на международном рынке, и говорить, например, о модернизации морально-устаревшего станочного парка или замены изношенных основных фондов, к сожалению, не приходится.
В среднем только в 7% случаев, заключая договор о купле-продаже со специальными условиями, государство вводило в договор условие о сохранении рабочих мест и только в 5% случаев – условие о создании новых рабочих мест. (Рис.17). При этом не стоит забывать, что эта «опека» касалась только тех объектов, которые находились на контроле у государства (42% от всех приватизированных).
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
Кроме того, интересными представляются и абсолютные цифры, о которых идет речь. Так, в среднем с 2000 по 2005 года, ежегодно приватизированные предприятия брали на себя обязательства по созданию 3000 рабочих мест. В 2015 году на приватизированных предприятиях было создано 234 рабочих места, с 2015 по конец 2017 предприятия должны создать еще 568 рабочих места. (Рис.18). Даже для масштабов областного центра эти цифры просто смешны, а в масштабах страны их вполне можно назвать стремящимися к нулю. При том, что в 2015 году только на учете в центрах занятости как безработные стояло 400 тыс.чел.17:, создание 234 рабочих мест (0,05%) на вряд ли стоит принимать во внимание.
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
Данные графиков 19-24 взяты из базы данных индикаторов Мирового Банка. Каждый график снабжен ссылкой на соответствующий файл, на момент последней редакции этой работы. Графики 25 и 26 построены на основе данных, публикуемых ЕБРР. На момент последней редакции данной работы, эти данные можно было загрузить по ссылке http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html. Кроме того, данный файл и авторская таблица доступны для скачивания на нашем сайте….
После 1991 года все страны бывшего СССР пережили глубокий экономический кризис, связанный с разрывом тесных экономических связей, большим количеством в экономике предприятий с незавершенным циклом производства, инфляцией, и т.д. Страны проводили экономические реформы, реструктуризировали промышленность, приватизировали ранее принадлежавшие государству предприятия.
Давайте рассмотрим несколько показателей экономического развития Украины, и для сравнения будем использовать аналогичные показатели и других стран, которые в 1990 году были в той же отправной точке, что и Украина, но выбрали разные пути развития – Беларусь, Россию (государственный капитализм) и Латвию, Литву (либеральная открытая экономика). После стремительного падения после распада СССР, ВВП Украины стабильно рос, «догнав» в 2005 году показатель 1992 года. Экономический кризис 2008 года отбросил его на несколько лет назад. Следующие 5 лет, ВВП показывал ежегодный прирост, пока очередной кризис, вызванный уже скорее политическими причинами, опять не уменьшил его в два раза, с 183 млрд. долларов до 90 млрд. (см.Рис. 19)18.
gdp_data_ua <- wb(country = c("UA"), indicator = "NY.GDP.MKTP.CD", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
for(i in 1:24){
gdp_data_ua$value[i] <- gdp_data_ua$value[i]/1000000000
}
colnames(gdp_data_ua) <- c("GDP Billions USD", "Year", "Country")
gdp_data_ua
## GDP Billions USD Year Country
## 1 90.61502 2015 Ukraine
## 2 133.50341 2014 Ukraine
## 3 183.31015 2013 Ukraine
## 4 175.78138 2012 Ukraine
## 5 163.15967 2011 Ukraine
## 6 136.01316 2010 Ukraine
## 7 117.22777 2009 Ukraine
## 8 179.99241 2008 Ukraine
## 9 142.71901 2007 Ukraine
## 10 107.75307 2006 Ukraine
## 11 86.14202 2005 Ukraine
## 12 64.88306 2004 Ukraine
## 13 50.13295 2003 Ukraine
## 14 42.39290 2002 Ukraine
## 15 38.00934 2001 Ukraine
## 16 31.26172 2000 Ukraine
## 17 31.58096 1999 Ukraine
## 18 41.88324 1998 Ukraine
## 19 50.15040 1997 Ukraine
## 20 44.55808 1996 Ukraine
## 21 48.21475 1995 Ukraine
## 22 52.54339 1994 Ukraine
## 23 65.60752 1993 Ukraine
## 24 71.89643 1992 Ukraine
ggplot(data = gdp_data_ua, aes(x = Year, y = `GDP Billions USD`, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(colour = "black", size = 2)+
geom_smooth(method = "loess")+
xlab("Year")+
ylab("Billions USD")+
ggtitle("Fig.19. GDP of Ukraine 1992-2015. (Nom. US dollars).")
Если посмотреть на этот показатель в сравнении с выбранными нами бывшими «братскими республиками», то в 1990 году Украина находилась на третьем месте (6763 дол.США), уступая Литве и России (8695 и 8013 дол.США соответственно). Но к 2015 году Украина опустилась в этом рейтинге на последнее место (7940 дол.США), отставая уже более чем в два раза (!) от Беларуси, поднявшейся на четвертое место (17697 дол.США) и почти в 4 раза – от лидера – Литвы (27680 дол.США). (Рис.20). Прирост ВВП Украины за 25 лет составил всего 14%, в то время как другие выбранные для сравнения страны бывшего СССР в среднем показали 70% прироста ВВП за тот же период (см. Рис.20а).
gdp_data <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NY.GDP.MKTP.CD", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
for(i in 1:118){
gdp_data$value[i] <- gdp_data$value[i]/1000000000
}
temp <- grep("1992|1995|2000|2010|2015", gdp_data$date)
gdp_selectedY <- data.frame()
for(i in temp){
gdp_selectedY <- rbind(gdp_selectedY, gdp_data[i,])
}
colnames(gdp_selectedY) <- c("GDP Billions USD", "Year", "Country")
gdp_selectedY
## GDP Billions USD Year Country
## 1 54.608963 2015 Belarus
## 6 55.220933 2010 Belarus
## 16 12.736856 2000 Belarus
## 21 13.972638 1995 Belarus
## 24 17.022180 1992 Belarus
## 27 41.170729 2015 Lithuania
## 32 37.132564 2010 Lithuania
## 42 11.539211 2000 Lithuania
## 47 7.870782 1995 Lithuania
## 53 27.002832 2015 Latvia
## 58 23.765078 2010 Latvia
## 68 7.937759 2000 Latvia
## 73 5.788369 1995 Latvia
## 79 1331.207746 2015 Russian Federation
## 84 1524.916112 2010 Russian Federation
## 94 259.708496 2000 Russian Federation
## 99 395.531067 1995 Russian Federation
## 102 460.290557 1992 Russian Federation
## 105 90.615023 2015 Ukraine
## 110 136.013156 2010 Ukraine
## 120 31.261718 2000 Ukraine
## 125 48.214752 1995 Ukraine
## 128 71.896429 1992 Ukraine
ggplot(data = gdp_selectedY, aes(x = Country, y = `GDP Billions USD`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("Billions USD")+
ggtitle("Fig.20. GDP some countries. 1992-2015")+
coord_flip()+
facet_grid(Year~.)
GDPgrowth <- data.frame()
countries <- c("Belarus", "Lithuania", "Latvia", "Russian Federation", "Ukraine")
for(i in countries){
temp <- gdp_data %>% filter(country == i)
c <- nrow(temp)
temp2 <- data.frame(temp[1,3], ((temp[c,1]/temp[1,1])-1)*(-100))
GDPgrowth <- rbind(GDPgrowth, temp2)
}
colnames(GDPgrowth) <- c("Country", "% of GDP growth")
GDPgrowth
## Country % of GDP growth
## 1 Belarus 68.19277
## 2 Lithuania 80.88258
## 3 Latvia 78.56385
## 4 Russian Federation 61.17704
## 5 Ukraine 20.65728
ggplot(data = GDPgrowth, aes(x = Country, y = `% of GDP growth`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("% of growth")+
ggtitle("Fig.20a. GDP growth in 2015 compared with 1990 (%)")
За годы независимости друг от друга, не только абсолютная величина ВВП в этих странах значительно изменилась. Так же некоторые изменения претерпела и структура ВВП. Доля промышленности в ВВП сильно сократилась во всех анализируемых странах. Украина, некогда наиболее промышленая страна СССР претерпела самый большой процесс деиндустриализации. Доля промышленности в ВВП сократилась с 51% в 1992 году, до 26% в 2015 г. Самое меньшее скращение доли промышленности в ВВП претерпела Белорусия, упав всего на 8%, с 47,7% до 39,9%.
Доля сельского хозяйства значительно уменьшилась во всех странах без исключения, и, соответственно, доля сферы услуг выросла почти в 2 раза (см.Рис.21-23)
industry_gdp <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NV.IND.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
temp <- grep("1992|1995|2000|2010|2015", industry_gdp$date)
industry_gdp_selectedY <- data.frame()
for(i in temp){
industry_gdp_selectedY <- rbind(industry_gdp_selectedY, industry_gdp[i,])
}
colnames(industry_gdp_selectedY) <- c("Industry (% of GDP)", "Year", "Country")
industry_gdp_selectedY
## Industry (% of GDP) Year Country
## 1 39.97420 2015 Belarus
## 6 42.20506 2010 Belarus
## 16 39.17020 2000 Belarus
## 21 36.96839 1995 Belarus
## 24 47.77980 1992 Belarus
## 27 30.18047 2015 Lithuania
## 32 29.06580 2010 Lithuania
## 42 29.59527 2000 Lithuania
## 47 31.51827 1995 Lithuania
## 53 23.11596 2015 Latvia
## 58 23.85878 2010 Latvia
## 68 26.53727 2000 Latvia
## 73 30.26274 1995 Latvia
## 79 32.60456 2015 Russian Federation
## 84 34.69617 2010 Russian Federation
## 94 37.94561 2000 Russian Federation
## 99 36.95603 1995 Russian Federation
## 102 43.00748 1992 Russian Federation
## 105 26.30227 2015 Ukraine
## 110 29.28666 2010 Ukraine
## 120 36.31656 2000 Ukraine
## 125 42.68424 1995 Ukraine
## 128 50.91000 1992 Ukraine
ggplot(data = industry_gdp_selectedY, aes(x = Country, y = `Industry (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("%")+
ggtitle("Fig.21. Industry, value added (% of GDP)")+
coord_flip()+
facet_grid(Year~.)
agro_gdp <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NV.AGR.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
temp <- grep("1992|1995|2000|2010|2015", agro_gdp$date)
agro_gdp_selectedY <- data.frame()
for(i in temp){
agro_gdp_selectedY <- rbind(agro_gdp_selectedY, agro_gdp[i,])
}
colnames(agro_gdp_selectedY) <- c("Agriculture (% of GDP)", "Year", "Country")
agro_gdp_selectedY
## Agriculture (% of GDP) Year Country
## 1 7.795778 2015 Belarus
## 6 10.569386 2010 Belarus
## 16 14.153227 2000 Belarus
## 21 17.460441 1995 Belarus
## 24 23.572321 1992 Belarus
## 27 3.250462 2015 Lithuania
## 32 3.325049 2010 Lithuania
## 42 6.277472 2000 Lithuania
## 47 11.054790 1995 Lithuania
## 53 3.161636 2015 Latvia
## 58 4.405188 2010 Latvia
## 68 5.118209 2000 Latvia
## 73 8.895919 1995 Latvia
## 79 4.630079 2015 Russian Federation
## 84 3.867401 2010 Russian Federation
## 94 6.434522 2000 Russian Federation
## 99 7.160512 1995 Russian Federation
## 102 7.393539 1992 Russian Federation
## 105 14.036335 2015 Ukraine
## 110 8.421934 2010 Ukraine
## 120 17.082808 2000 Ukraine
## 125 15.400757 1995 Ukraine
## 128 20.356473 1992 Ukraine
ggplot(data = agro_gdp_selectedY, aes(x = Country, y = `Agriculture (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("%")+
ggtitle("Fig.22. Agriculture, value added (% of GDP)")+
coord_flip()+
facet_grid(Year~.)
service_gdp <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NV.SRV.TETC.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
temp <- grep("1992|1995|2000|2010|2015", service_gdp$date)
service_gdp_selectedY <- data.frame()
for(i in temp){
service_gdp_selectedY <- rbind(service_gdp_selectedY, service_gdp[i,])
}
colnames(service_gdp_selectedY) <- c("Services (% of GDP)", "Year", "Country")
service_gdp_selectedY
## Services (% of GDP) Year Country
## 1 52.23002 2015 Belarus
## 6 47.22556 2010 Belarus
## 16 46.67657 2000 Belarus
## 21 45.57117 1995 Belarus
## 24 28.64788 1992 Belarus
## 27 66.56907 2015 Lithuania
## 32 67.60916 2010 Lithuania
## 42 64.12726 2000 Lithuania
## 47 57.42694 1995 Lithuania
## 53 73.72241 2015 Latvia
## 58 71.73603 2010 Latvia
## 68 68.34452 2000 Latvia
## 73 60.84134 1995 Latvia
## 79 62.76536 2015 Russian Federation
## 84 61.43643 2010 Russian Federation
## 94 55.61987 2000 Russian Federation
## 99 55.88345 1995 Russian Federation
## 102 49.59898 1992 Russian Federation
## 105 59.66140 2015 Ukraine
## 110 62.29140 2010 Ukraine
## 120 46.60063 2000 Ukraine
## 125 41.91500 1995 Ukraine
## 128 28.73353 1992 Ukraine
ggplot(data = service_gdp_selectedY, aes(x = Country, y = `Services (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("%")+
ggtitle("Fig.23. Services, etc., value added (% of GDP)")+
coord_flip()+
facet_grid(Year~.)
Внешний долг как % ВВП страны вырос во всех анализируемых странах. Наибольшей величины он достиг в Латвии (почти 135% от ВВП), на втором месте Украина (81%), не на много отстала от Украины и Литва (72,6%), Беларусь и особенно Россия выглядят на их фоне как страны, не живущие «в долг» - (56 и 31% соответственно). Внешний долг как % ВВВ возрос за последние 10 лет возрос для всех стран, кроме России. Так, для Беларсуи – почти в 3 раза, для Латвии, Литвы и Украины – в 2 раза, а вот для России этот показатель уменьшился на 10%. (Рис.24)23.
external_debt <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "GC.DOD.TOTL.GD.ZS", startdate = 1990, enddate = 2015) %>% select(value, date, country)
colnames(external_debt) <- c("Government debt (% of GDP)", "Year", "Country")
#Данные внешнего государственного долга по странам и периодам
#external_debt$Year <- as.factor(external_debt$Year)
external_debt
## Government debt (% of GDP) Year Country
## 1 38.869017 2015 Belarus
## 2 25.422592 2014 Belarus
## 3 24.629697 2013 Belarus
## 4 25.224401 2012 Belarus
## 5 40.754852 2011 Belarus
## 6 19.593715 2010 Belarus
## 7 19.185184 2009 Belarus
## 8 10.656634 2008 Belarus
## 9 8.909261 2007 Belarus
## 10 6.644402 2006 Belarus
## 11 6.570221 2005 Belarus
## 14 12.336686 2002 Belarus
## 15 11.440617 2001 Belarus
## 16 15.014452 2000 Belarus
## 17 15.103119 1999 Belarus
## 18 20.180540 1998 Belarus
## 19 12.171466 1997 Belarus
## 20 11.520117 1996 Belarus
## 21 16.880116 1995 Belarus
## 22 75.954859 1994 Belarus
## 23 5.186132 1993 Belarus
## 24 25.635479 1992 Belarus
## 29 43.760500 2013 Lithuania
## 30 46.999841 2012 Lithuania
## 31 40.753198 2011 Lithuania
## 32 40.638146 2010 Lithuania
## 43 21.378253 1999 Lithuania
## 44 14.884720 1998 Lithuania
## 45 14.519860 1997 Lithuania
## 55 59.447688 2013 Latvia
## 56 62.897237 2012 Latvia
## 57 66.049486 2011 Latvia
## 58 75.133968 2010 Latvia
## 79 13.923403 2015 Russian Federation
## 80 11.356362 2014 Russian Federation
## 81 9.318649 2013 Russian Federation
## 82 8.701738 2012 Russian Federation
## 83 8.701279 2011 Russian Federation
## 84 9.098114 2010 Russian Federation
## 85 8.697870 2009 Russian Federation
## 86 6.495295 2008 Russian Federation
## 87 7.158433 2007 Russian Federation
## 88 9.891073 2006 Russian Federation
## 89 16.660868 2005 Russian Federation
## 92 41.395860 2002 Russian Federation
## 93 48.983519 2001 Russian Federation
## 94 62.149283 2000 Russian Federation
## 95 100.744837 1999 Russian Federation
## 96 143.950259 1998 Russian Federation
## 106 63.665319 2014 Ukraine
## 107 37.028716 2013 Ukraine
## 108 33.703100 2012 Ukraine
## 109 27.482759 2011 Ukraine
## 110 29.969556 2010 Ukraine
## 111 24.875124 2009 Ukraine
## 112 13.826704 2008 Ukraine
## 120 45.287470 2000 Ukraine
## 121 60.976448 1999 Ukraine
ggplot(data = external_debt, aes(x = Year, y = `Government debt (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("%")+
ggtitle("Fig.24. Central government debt, total (% of GDP)")+
facet_grid(Country~., scales = "free")
При этом, логично ожидать, что одним из эффектов экономических реформ, в частности – приватизации, должно было стать быстрое и эффективное развитие частного сектора. Но, к сожалению, по крайней мере, для Украины это не оправдалось. Так, по данным ЕБРР, доля частного сектора в ВВП Украины в 2010 году по сравнению с 2004 уменьшилась на 5 % и составила 60%, вместо 65% в предыдущем периоде (рис.25)24. То есть, другими словами, государственные компании, даже потеряв в количестве, приобрели в эффективности работы, а вот предприятия, перешедшие из рук государства к частному собственнику, не то что не добавили частному сектору эффективности, а наоборот – потянули его на дно. Возможно, просто из-за того, что большинство их перестало существовать как промышленные предприятия, были ликвидированы и разпилины на металалом?
GDPprivat
## Year % of GDP by private companies
## 1 2004 65
## 2 2005 65
## 3 2006 65
## 4 2007 65
## 5 2008 65
## 6 2009 60
## 7 2010 60
GDPprivat$`% of GDP by private companies` <- as.numeric(as.character(GDPprivat$`% of GDP by private companies`))
class(GDPprivat$`% of GDP by private companies`)
## [1] "numeric"
ggplot(data = GDPprivat, aes(x = Year, y = `% of GDP by private companies`, group = 1))+
geom_line(colour="darkblue", size = 1)+
geom_point(colour = "darkgreen", size = 2)+
xlab("Year")+
ylab("%")+
ggtitle("Fig.25. Private sector share in GDP (in per cent)")
При этом, отдельно стоит отметить, что в 2010 году количество государственных предприятий составляло всего 2,3% от общего числа предприятий Украины. То есть, другими словами, 2,3% предприятий (государственные) генерировали 40% ВВП страны, а 97% предприятий (частные) – 60% ВВП Украины . Для наглядности отобразим это на диаграмме (рис 26).
d1 <- filter(OwnershipData, year == 2010)
d1$number.of.enterprices <- as.factor(d1$number.of.enterprices)
d2 <- filter(GDPprivat, Year == "2010")
temp <- data.frame(2010, 40)
names(temp) <- names(d2)
d2 <- rbind(temp, d2)
d2$enterprise.ownership <- c("state", "private")
p1 <- ggplot(data = d1, aes(x = enterprise.ownership, y = number.of.enterprices, fill = enterprise.ownership))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
xlab("Enterprise ownership")+
ylab("Number of Enterprises")+
ggtitle("The share of private and public enterprises in the total number of enterprises(2010)")
p2 <- ggplot(data = d2, aes(x = enterprise.ownership, y = `% of GDP by private companies`, fill = enterprise.ownership))+
geom_bar(colour="black", stat = "identity")+
xlab("Enterprise ownership")+
ylab("%")+
ggtitle("Share of private and public sector in GDP (2010)")
grid.arrange(p1, p2, ncol = 2)
Источником данных за последние годы для графиков 27 и 28 стали официальные данные госкомстата Украины, которые публикуются в разделе статистическая информация/ демографические и социальные показатели/ рынок труда, (http://www.ukrstat.gov.ua/), при этом данные о более ранних годах (1990-2000гг) авторам пришлось брать уже из учебников, содержащих соответствующие разделы (например, Аграрна економіка і ринок. Іванух Р. А., Дусановський С. Л., Білан Є. М. - Тернопіль: “Збруч”, 2003. - 305 с.м http://buklib.net/books/31118/). Для удобства читателя, авторские таблицы, составленные по этим данным, можно загрузить на нашем сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/labour.xlsx.* Данные графиков 29-31 и 37а-в были взяты из ежегодного отчета Государственного комитета статистики Украины «Праця Украины 2015, который на момент последней редакции статьи можно было загрузить на сайте Комитета Статистики в разделе Публикации / рынок труда/ Праця України 2015/ (Разделы 6 и 7) http://www.ukrstat.gov.ua/druk/publicat/kat_u/publ11_u.htm . Этот отчет содержит большое количество статистических данных о занятости населения Украины в разрезе территориальных, юридических и экономических аспектов.* Данные для построения графиков 32-35 взяты из глобальной международной базы данных World Bank На момент последней редакции данной работы, эти и другие данные были доступны по ссылке http://datatopics.worldbank.org/jobs/* Графики 36-37 были построены на основе данных глобальной статистической базы NationMaster http://www.nationmaster.com/. Там можно отследить указанные показатели по многим странам.*
К сожалению, за последние 25 лет классификация занятости населения по отраслям экономики менялась не однократно. В разные периоды, например, «образование», относили к «науке», выделяли в отдельную строку отчетов, присоединяли к «культуре и спорту», объединяли с «социальными работниками». «Культуру и спорт» так же в разные периоды либо выделяли отдельно, либо объединяли с индустрией досуга. Досуг относился и к «другим услугам», и к «администрированию». «Социальных работников» в одни периоды объединяли с работниками образования, в другие периоды - с работниками здравоохранения, или так же относили к категории «другое». Из категории «транспорт и связь» выделили отдельно «телекоммуникацию», присовокупив к ней, однако, информацию. Учитывая такие структурные изменения в самих формах статистической отчетности детальный ретроспективный анализ вплоть до 1990 года не возможен ввиду отсутствия данных, пригодных для сравнения. Последние изменения в структуре отчетности были проведены в 2011 году, но последние 5 лет не отражают всех тенденций структурных изменений в занятости населения Украины. Единственные группы классификации занятости населения по отраслям экономики, которые не претерпевали «объединений» и «разделений», и потому остались доступными для ретроспективного анализа - это сельское хозяйство и промышленность. По этому, авторы предлагают воспользоваться международной практикой, характерной для большинства глобальных баз данных. В них, для простоты, в 2 отдельные группы выделяют, собственно, имеющиеся и у нас «промышленность» и «сельское хозяйство», а к третьей группе - «услуги» - относят все остальное. И так, за весь период независимости количество населения Украины, занятое в экономической деятельности, сократилось более чем на на 17 млн.кадров (с 25,4 в 1990 году до 8,3 млн. в 2015 году). (см.табл.2). При том, что в общем численность населения Украины по данным официальной статистики25 сократилась на 9 млн.чел. (с 51,8 в 1990 году до 42,9 млн. в 2015году). А численность населения трудоспособного возраста – всего на 4 млн. человек (30,3 млн. в 1990 году до 26,6 млн. в 2015 году.)26. При этом за 25 лет более 5 млн. специалистов (это почти 70% по сравнению с 1990 годом) потеряла промышленность Украины и 4,36 млн. специалистов (87% по сравнению с 1990 годом) потеряло сельское хозяйство (см.Таблицу 2)27. Вообще, изъятие более 17 млн. кадров из разных областей - невосполнимая потеря для экономики Украины. И если потерю 4 млн. кадрового потенциала объясняют естественные причины (выход на пенсию), то 13 млн.человек - это граждане, которые перешли в нерегламентированную и нелегальную занятость, из грамотных инженеров, технологов, производственников, переквалифицировавшись в неумелых менеджеров по продажам «всего, чего изволите», выехали на заработки за границу, или пополнили ряды безработных (Рис.27)28.
Employed_in_economic$year <- as.factor(Employed_in_economic$year)
Employed_in_economic
## year category number
## 1 1990 Employed in economic activities 24.5
## 2 2015 Employed in economic activities 8.3
## 3 1990 Population of able-bodied age 30.3
## 4 2015 Population of able-bodied age 26.6
ggplot(data = Employed_in_economic, aes(x = year, y = number, fill = category))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Million people")+
ggtitle("The population engaged in economic activity and the working-age pop. in total")
tmp_category <- c("Industry", "Agriculture", "Services")
labour_lost_perc <- data.frame()
labour_lost <- data.frame()
# Создание таблицы потерь рабочих мест по отрослям в процентых показателях
for(i in tmp_category) {
temp <- Labour %>% filter(Catergory== i) %>% summarise(Catergory= i, `% of lost` = (Million.People[4]/Million.People[1]-1)*(-100))
labour_lost_perc <- rbind(labour_lost_perc, temp)
}
# Создание таблицы потерь рабочих мест по отрослям в количественных показателях
for(i in tmp_category) {
temp <- Labour %>% filter(Catergory== i) %>% summarise(Catergory= i, `Millions peple of lost` = Million.People[1]-Million.People[4])
labour_lost <- rbind(labour_lost, temp)
}
# Количество людей задействованных в той или иной экономической активности в 1990 и в 2015
Labour
## Catergory Year Million.People
## 1 Industry 1990 7.80
## 2 Industry 2000 4.10
## 3 Industry 2011 3.20
## 4 Industry 2015 2.42
## 5 Agriculture 1990 5.00
## 6 Agriculture 2000 4.90
## 7 Agriculture 2011 0.74
## 8 Agriculture 2015 0.64
## 9 Services 1990 12.60
## 10 Services 2000 12.30
## 11 Services 2011 6.22
## 12 Services 2015 5.27
# Процент потерь рабочих мест с 1990 до 2015 года в Промышленности, Сельском хозяйстве и Сервисе
labour_lost_perc
## Catergory % of lost
## 1 Industry 68.97436
## 2 Agriculture 87.20000
## 3 Services 58.17460
# Количество потерь рабочих мест в тех-же отраслях украинской экономике с 1990 по 2015 года
labour_lost
## Catergory Millions peple of lost
## 1 Industry 5.38
## 2 Agriculture 4.36
## 3 Services 7.33
ggplot(data = Labour, aes(x = Year, y = Million.People))+
geom_line(aes(colour = Catergory))+
geom_point()+
xlab("Year")+
ylab("Million People")+
ggtitle("Fig.28. Employment of the population of Ukraine by economic sectors 1990-2015")
При этом доля государственного и коммунального секторов по количеству занятых в них довольно велика – 44% всех работающих (20,7% приходятся на государственный сектор, 23,2% - на коммунальный). Остальные 56% трудятся в частном секторе, а так же в структурах с корпоративным управлением (акционерных обществах), которые могут включать в себя как государственных так и частных собственников. (более детально см.рис.29)29.
# Подготовка данных для Рис.29
Labour_force_total <- data.frame(colnames(Labour_force)[-1])
for (i in 2:12){
Labour_force_total[i-1,2] <- Labour_force[1,i]
}
colnames(Labour_force_total) <- c("Organizational forms of employment in Ukraine", "% Of employees")
# Структура занятости населения Украины в разрезе организационных форм в 2015 г (%)
Labour_force_total
## Organizational forms of employment in Ukraine % Of employees
## 1 State.owned.enterprises. 3.3
## 2 Public.enterprises. 3.9
## 3 Joint.Stock.Companies 13.1
## 4 LTD 23.2
## 5 Branches 12.0
## 6 Private.companies 3.3
## 7 State.government.authorities 7.7
## 8 Local.government.authorities 5.6
## 9 state.organization..institution.. 9.7
## 10 public..communal..organization..institution. 13.7
## 11 Other.forms 4.5
#Salaries
ggplot(data = Labour_force_total, aes(x = `Organizational forms of employment in Ukraine`, y = `% Of employees`))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_flip()+
xlab("Organizational forms of employment in Ukraine")+
ylab("% Of employees")+
ggtitle("Fig.29. Structure of employment in the context of
organizational forms in 2015")
В промышленности Украины на государственный и коммунальный сектора приходилось почти 12% работающих в Украине (5,4% и 6,4% соответственно), а 88% - на частный сектор и структуры с корпоративным управлением (акционерные общества), которые могут включать в себя как государственных так и частных собственников. (более детально см.Рис.30. )
# Подготовка данных для Рис.30
Labour_force_industry <- data.frame(colnames(Labour_force)[-1])
for (i in 2:12){
Labour_force_industry[i-1,2] <- Labour_force[3,i]
}
colnames(Labour_force_industry) <- c("Organizational forms of employment in the Industry", "% Of employees")
Labour_force_industry <- Labour_force_industry[-c(7:10),]
# Структура занятости населения в украинской промышленности в разрезе организационных форм в 2015 г (%)
Labour_force_industry
## Organizational forms of employment in the Industry % Of employees
## 1 State.owned.enterprises. 5.4
## 2 Public.enterprises. 6.4
## 3 Joint.Stock.Companies 38.0
## 4 LTD 27.2
## 5 Branches 15.2
## 6 Private.companies 2.8
## 11 Other.forms 4.9
ggplot(data = Labour_force_industry, aes(x = `Organizational forms of employment in the Industry`, y = `% Of employees`))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_flip()+
xlab("Organizational forms of employment")+
ylab("% Of employees")+
ggtitle("Fig.30. Structure of employment in the Ukrainian industry in the
context of organizational forms in 2015")
В сельском хозяйстве на долю государственного и коммунального секторов приходилось почти 15% занятых (13,7% и 1,1% соответственно) и чуть более 85% на частный сектор, а так же структуры с корпоративным управлением (более детально см.рис.31)
# Подготовка данных для Рис.31
Labour_force_agriculture <- data.frame(colnames(Labour_force)[-1])
for (i in 2:12){
Labour_force_agriculture[i-1,2] <- Labour_force[2,i]
}
colnames(Labour_force_agriculture) <- c("Organizational forms of employment in the Agriculture", "% Of employees")
Labour_force_agriculture <- filter(Labour_force_agriculture, `% Of employees` > 0)
# Структура занятости населения в украинской агропромышленности в разрезе организационных форм в 2015 г (%)
Labour_force_agriculture
## Organizational forms of employment in the Agriculture % Of employees
## 1 State.owned.enterprises. 12.6
## 2 Public.enterprises. 1.1
## 3 Joint.Stock.Companies 5.4
## 4 LTD 48.5
## 5 Branches 4.9
## 6 Private.companies 12.3
## 7 state.organization..institution.. 1.1
## 8 Other.forms 14.1
ggplot(data = Labour_force_agriculture, aes(x = `Organizational forms of employment in the Agriculture`, y = `% Of employees`))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_flip()+
xlab("Organizational forms of employment")+
ylab("% Of employees")+
ggtitle("Fig.31. Structure of employment in the Agriculture industry in the
context of organizational forms in 2015")
Если сравнить Украину с другими выбранными странами бывшего СССР, то тенденции в изменении отраслевой структуры занятости сходны. Наблюдается уменьшение доли сельского хозяйства (на 3-5%), уменьшение доли промышленности (на 1-3%), и соответственно, увеличение доли сферы услуг. (Рис.32-34)
industry_share_labor <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.IND.EMPL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(industry_share_labor) <- c("Employment in industry (% of total employment)", "Year", "Country")
# Данные по проценту занятых в промышленности в некоторых странах бывшего СССР с 1990 г. по 2014 г.
industry_share_labor
## Employment in industry (% of total employment) Year Country
## 3 33.2 2013 Belarus
## 4 33.3 2012 Belarus
## 5 34.1 2011 Belarus
## 6 34.1 2010 Belarus
## 7 33.7 2009 Belarus
## 22 34.9 1994 Belarus
## 23 36.2 1993 Belarus
## 24 36.9 1992 Belarus
## 25 37.3 1991 Belarus
## 26 38.5 1990 Belarus
## 28 24.8 2014 Lithuania
## 29 25.6 2013 Lithuania
## 30 25.3 2012 Lithuania
## 31 24.6 2011 Lithuania
## 32 24.5 2010 Lithuania
## 33 26.9 2009 Lithuania
## 34 30.6 2008 Lithuania
## 35 30.5 2007 Lithuania
## 36 29.6 2006 Lithuania
## 37 29.1 2005 Lithuania
## 38 28.1 2004 Lithuania
## 39 27.3 2003 Lithuania
## 40 27.5 2002 Lithuania
## 41 26.8 2001 Lithuania
## 42 27.0 2000 Lithuania
## 43 27.2 1999 Lithuania
## 44 29.1 1998 Lithuania
## 45 28.5 1997 Lithuania
## 54 24.1 2014 Latvia
## 55 24.2 2013 Latvia
## 56 23.6 2012 Latvia
## 57 23.0 2011 Latvia
## 58 23.4 2010 Latvia
## 59 24.5 2009 Latvia
## 60 29.6 2008 Latvia
## 61 29.1 2007 Latvia
## 62 27.9 2006 Latvia
## 63 26.7 2005 Latvia
## 64 27.3 2004 Latvia
## 65 26.9 2003 Latvia
## 66 25.6 2002 Latvia
## 67 26.4 2001 Latvia
## 68 26.8 2000 Latvia
## 69 26.0 1999 Latvia
## 70 27.1 1998 Latvia
## 71 25.8 1997 Latvia
## 72 27.2 1996 Latvia
## 80 27.5 2014 Russian Federation
## 81 27.7 2013 Russian Federation
## 82 27.8 2012 Russian Federation
## 83 27.5 2011 Russian Federation
## 84 27.7 2010 Russian Federation
## 85 27.5 2009 Russian Federation
## 86 28.9 2008 Russian Federation
## 87 29.2 2007 Russian Federation
## 88 29.3 2006 Russian Federation
## 89 29.8 2005 Russian Federation
## 90 29.7 2004 Russian Federation
## 91 30.4 2003 Russian Federation
## 92 29.5 2002 Russian Federation
## 93 29.4 2001 Russian Federation
## 94 28.4 2000 Russian Federation
## 95 28.2 1999 Russian Federation
## 96 29.1 1998 Russian Federation
## 97 30.0 1997 Russian Federation
## 98 32.5 1996 Russian Federation
## 99 34.0 1995 Russian Federation
## 100 35.9 1994 Russian Federation
## 101 38.0 1993 Russian Federation
## 102 38.8 1992 Russian Federation
## 103 39.8 1991 Russian Federation
## 104 40.2 1990 Russian Federation
## 106 26.1 2014 Ukraine
## 107 24.8 2013 Ukraine
## 108 25.8 2012 Ukraine
## 109 25.7 2011 Ukraine
## 111 25.7 2009 Ukraine
## 112 23.4 2008 Ukraine
## 113 23.9 2007 Ukraine
## 114 24.2 2006 Ukraine
## 115 24.2 2005 Ukraine
## 116 24.6 2004 Ukraine
## 117 24.6 2003 Ukraine
## 118 25.2 2002 Ukraine
## 119 26.3 2001 Ukraine
## 120 20.8 2000 Ukraine
## 121 22.6 1999 Ukraine
## 122 23.8 1998 Ukraine
## 123 24.6 1997 Ukraine
## 124 26.4 1996 Ukraine
## 125 28.0 1995 Ukraine
## 126 31.7 1994 Ukraine
## 127 30.5 1993 Ukraine
## 128 8.0 1992 Ukraine
## 129 9.1 1991 Ukraine
## 130 9.5 1990 Ukraine
ggplot(data = industry_share_labor, aes(x = Year, y = `Employment in industry (% of total employment)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of total employment")+
ggtitle("Fig.32. Employment in industry (% of total employment)")+
facet_grid(Country~., scales = "free")
agriculture_share_labor <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.AGR.EMPL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(agriculture_share_labor) <- c("Employment in agriculture (%)", "Year", "Country")
# Данные по проценту занятых в сельском хозяйстве в некоторых странах бывшего СССР с 1990 г. по 2014 г.
agriculture_share_labor
## Employment in agriculture (%) Year Country
## 3 9.6 2013 Belarus
## 4 10.1 2012 Belarus
## 5 10.4 2011 Belarus
## 6 10.5 2010 Belarus
## 7 10.5 2009 Belarus
## 22 21.2 1994 Belarus
## 23 21.7 1993 Belarus
## 24 22.3 1992 Belarus
## 25 21.1 1991 Belarus
## 26 21.6 1990 Belarus
## 28 9.0 2014 Lithuania
## 29 8.4 2013 Lithuania
## 30 8.8 2012 Lithuania
## 31 8.3 2011 Lithuania
## 32 8.7 2010 Lithuania
## 33 8.9 2009 Lithuania
## 34 7.9 2008 Lithuania
## 35 11.1 2007 Lithuania
## 36 13.7 2006 Lithuania
## 37 14.2 2005 Lithuania
## 38 16.1 2004 Lithuania
## 39 18.3 2003 Lithuania
## 40 18.2 2002 Lithuania
## 41 17.0 2001 Lithuania
## 42 18.1 2000 Lithuania
## 43 19.3 1999 Lithuania
## 44 19.6 1998 Lithuania
## 45 20.7 1997 Lithuania
## 54 7.3 2014 Latvia
## 55 7.8 2013 Latvia
## 56 8.1 2012 Latvia
## 57 8.7 2011 Latvia
## 58 8.3 2010 Latvia
## 59 8.5 2009 Latvia
## 60 7.7 2008 Latvia
## 61 9.7 2007 Latvia
## 62 10.9 2006 Latvia
## 63 11.6 2005 Latvia
## 64 12.8 2004 Latvia
## 65 13.8 2003 Latvia
## 66 15.8 2002 Latvia
## 67 14.6 2001 Latvia
## 68 14.2 2000 Latvia
## 69 16.7 1999 Latvia
## 70 19.0 1998 Latvia
## 71 21.5 1997 Latvia
## 72 17.3 1996 Latvia
## 80 6.7 2014 Russian Federation
## 81 7.0 2013 Russian Federation
## 82 7.3 2012 Russian Federation
## 83 7.7 2011 Russian Federation
## 84 7.9 2010 Russian Federation
## 85 8.4 2009 Russian Federation
## 86 8.6 2008 Russian Federation
## 87 9.0 2007 Russian Federation
## 88 10.0 2006 Russian Federation
## 89 10.2 2005 Russian Federation
## 90 10.2 2004 Russian Federation
## 91 10.9 2003 Russian Federation
## 92 11.3 2002 Russian Federation
## 93 12.0 2001 Russian Federation
## 94 14.5 2000 Russian Federation
## 95 15.0 1999 Russian Federation
## 96 11.7 1998 Russian Federation
## 97 12.2 1997 Russian Federation
## 98 15.3 1996 Russian Federation
## 99 15.7 1995 Russian Federation
## 100 16.1 1994 Russian Federation
## 101 15.5 1993 Russian Federation
## 102 15.4 1992 Russian Federation
## 103 14.2 1991 Russian Federation
## 104 13.9 1990 Russian Federation
## 106 14.8 2014 Ukraine
## 107 20.0 2013 Ukraine
## 108 19.7 2012 Ukraine
## 109 20.2 2011 Ukraine
## 111 20.0 2009 Ukraine
## 112 15.8 2008 Ukraine
## 113 16.7 2007 Ukraine
## 114 17.6 2006 Ukraine
## 115 19.4 2005 Ukraine
## 116 19.7 2004 Ukraine
## 117 20.4 2003 Ukraine
## 118 20.6 2002 Ukraine
## 119 20.9 2001 Ukraine
## 120 23.4 2000 Ukraine
## 121 22.7 1999 Ukraine
## 122 22.6 1998 Ukraine
## 123 22.1 1997 Ukraine
## 124 21.9 1996 Ukraine
## 125 22.5 1995 Ukraine
## 126 21.0 1994 Ukraine
## 127 20.7 1993 Ukraine
## 128 20.8 1992 Ukraine
## 129 19.3 1991 Ukraine
## 130 19.8 1990 Ukraine
ggplot(data = agriculture_share_labor, aes(x = Year, y = `Employment in agriculture (%)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of total employment")+
ggtitle("Fig.33. Employment in agriculture (% of total employment)")+
facet_grid(Country~., scales = "free")
services_share_labor <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.SRV.EMPL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(services_share_labor) <- c("Employment in services (% of total employment)", "Year", "Country")
# Данные по проценту занятых в сфере услуг в некоторых странах бывшего СССР с 1990 г. по 2014 г.
services_share_labor
## Employment in services (% of total employment) Year Country
## 3 57.2 2013 Belarus
## 4 56.6 2012 Belarus
## 5 55.5 2011 Belarus
## 6 55.3 2010 Belarus
## 7 49.9 2009 Belarus
## 22 40.0 1994 Belarus
## 23 38.2 1993 Belarus
## 24 36.6 1992 Belarus
## 25 36.6 1991 Belarus
## 26 36.1 1990 Belarus
## 28 65.8 2014 Lithuania
## 29 65.6 2013 Lithuania
## 30 65.6 2012 Lithuania
## 31 66.7 2011 Lithuania
## 32 66.4 2010 Lithuania
## 33 63.9 2009 Lithuania
## 34 61.0 2008 Lithuania
## 35 57.8 2007 Lithuania
## 36 56.2 2006 Lithuania
## 37 56.1 2005 Lithuania
## 38 55.1 2004 Lithuania
## 39 54.1 2003 Lithuania
## 40 53.7 2002 Lithuania
## 41 55.8 2001 Lithuania
## 42 54.4 2000 Lithuania
## 43 53.1 1999 Lithuania
## 44 51.4 1998 Lithuania
## 45 50.8 1997 Lithuania
## 54 68.6 2014 Latvia
## 55 67.9 2013 Latvia
## 56 68.1 2012 Latvia
## 57 68.0 2011 Latvia
## 58 68.3 2010 Latvia
## 59 66.9 2009 Latvia
## 60 62.6 2008 Latvia
## 61 61.2 2007 Latvia
## 62 61.0 2006 Latvia
## 63 61.4 2005 Latvia
## 64 59.3 2004 Latvia
## 65 58.5 2003 Latvia
## 66 58.0 2002 Latvia
## 67 57.3 2001 Latvia
## 68 58.6 2000 Latvia
## 69 57.0 1999 Latvia
## 70 53.9 1998 Latvia
## 71 52.4 1997 Latvia
## 72 55.4 1996 Latvia
## 80 65.8 2014 Russian Federation
## 81 65.3 2013 Russian Federation
## 82 64.9 2012 Russian Federation
## 83 64.9 2011 Russian Federation
## 84 64.4 2010 Russian Federation
## 85 64.1 2009 Russian Federation
## 86 62.4 2008 Russian Federation
## 87 61.8 2007 Russian Federation
## 88 60.7 2006 Russian Federation
## 89 60.0 2005 Russian Federation
## 90 60.1 2004 Russian Federation
## 91 58.7 2003 Russian Federation
## 92 59.1 2002 Russian Federation
## 93 58.6 2001 Russian Federation
## 94 57.1 2000 Russian Federation
## 95 56.8 1999 Russian Federation
## 96 59.2 1998 Russian Federation
## 97 57.8 1997 Russian Federation
## 98 52.2 1996 Russian Federation
## 99 50.0 1995 Russian Federation
## 100 47.7 1994 Russian Federation
## 101 46.1 1993 Russian Federation
## 102 45.5 1992 Russian Federation
## 103 45.7 1991 Russian Federation
## 104 45.6 1990 Russian Federation
## 106 59.1 2014 Ukraine
## 107 55.2 2013 Ukraine
## 108 54.5 2012 Ukraine
## 109 54.2 2011 Ukraine
## 111 53.5 2009 Ukraine
## 112 60.7 2008 Ukraine
## 113 59.4 2007 Ukraine
## 114 58.2 2006 Ukraine
## 115 56.4 2005 Ukraine
## 116 55.7 2004 Ukraine
## 117 55.1 2003 Ukraine
## 118 54.2 2002 Ukraine
## 119 52.8 2001 Ukraine
## 120 13.3 2000 Ukraine
## 121 14.3 1999 Ukraine
## 122 14.0 1998 Ukraine
## 123 14.3 1997 Ukraine
## 124 14.4 1996 Ukraine
## 125 14.0 1995 Ukraine
## 126 14.8 1994 Ukraine
## 127 14.8 1993 Ukraine
## 128 14.7 1992 Ukraine
## 129 15.2 1991 Ukraine
## 130 15.4 1990 Ukraine
ggplot(data = services_share_labor, aes(x = Year, y = `Employment in services (% of total employment)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of total employment")+
ggtitle("Fig.34. Employment in services (% of total employment)")+
facet_grid(Country~., scales = "free")
Наиболее высок официальный уровень безработицы прибалтийских странах (почти 12%), в Украине он составил в 2013 году 7,5%, сократившись за 10 лет на 1,5%. Самый низкий уровень безработицы в Беларуси, который составляет всего 0,6% (см.рис.35)33.
unemployment <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.UEM.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(unemployment) <- c("Unemployment (% of total labor force)", "Year", "Country")
# Данные по безработице в некоторых странах бывшего СССР с 1990 г. по 2014 г.
unemployment
## Unemployment (% of total labor force) Year Country
## 2 5.9 2014 Belarus
## 3 6.0 2013 Belarus
## 4 5.9 2012 Belarus
## 5 6.1 2011 Belarus
## 6 6.2 2010 Belarus
## 7 6.1 2009 Belarus
## 8 6.2 2008 Belarus
## 9 6.3 2007 Belarus
## 10 6.4 2006 Belarus
## 11 6.4 2005 Belarus
## 12 6.5 2004 Belarus
## 13 6.5 2003 Belarus
## 14 6.6 2002 Belarus
## 15 6.5 2001 Belarus
## 16 6.5 2000 Belarus
## 17 6.5 1999 Belarus
## 18 6.5 1998 Belarus
## 19 6.4 1997 Belarus
## 20 6.3 1996 Belarus
## 21 6.4 1995 Belarus
## 22 6.3 1994 Belarus
## 23 6.4 1993 Belarus
## 24 6.4 1992 Belarus
## 25 6.4 1991 Belarus
## 28 11.3 2014 Lithuania
## 29 11.8 2013 Lithuania
## 30 13.2 2012 Lithuania
## 31 15.3 2011 Lithuania
## 32 17.8 2010 Lithuania
## 33 13.7 2009 Lithuania
## 34 5.8 2008 Lithuania
## 35 4.3 2007 Lithuania
## 36 5.6 2006 Lithuania
## 37 8.3 2005 Lithuania
## 38 11.3 2004 Lithuania
## 39 12.9 2003 Lithuania
## 40 13.0 2002 Lithuania
## 41 16.8 2001 Lithuania
## 42 15.9 2000 Lithuania
## 43 13.4 1999 Lithuania
## 44 13.7 1998 Lithuania
## 45 14.1 1997 Lithuania
## 46 15.6 1996 Lithuania
## 47 17.1 1995 Lithuania
## 48 17.4 1994 Lithuania
## 49 12.8 1993 Lithuania
## 50 9.8 1992 Lithuania
## 51 15.7 1991 Lithuania
## 54 10.0 2014 Latvia
## 55 11.9 2013 Latvia
## 56 14.9 2012 Latvia
## 57 16.2 2011 Latvia
## 58 18.7 2010 Latvia
## 59 17.1 2009 Latvia
## 60 7.4 2008 Latvia
## 61 6.0 2007 Latvia
## 62 6.8 2006 Latvia
## 63 8.9 2005 Latvia
## 64 9.9 2004 Latvia
## 65 10.6 2003 Latvia
## 66 13.2 2002 Latvia
## 67 13.1 2001 Latvia
## 68 14.2 2000 Latvia
## 69 13.8 1999 Latvia
## 70 14.5 1998 Latvia
## 71 14.7 1997 Latvia
## 72 12.6 1996 Latvia
## 73 12.0 1995 Latvia
## 74 10.9 1994 Latvia
## 75 12.6 1993 Latvia
## 76 12.9 1992 Latvia
## 77 13.3 1991 Latvia
## 80 5.1 2014 Russian Federation
## 81 5.5 2013 Russian Federation
## 82 5.5 2012 Russian Federation
## 83 6.5 2011 Russian Federation
## 84 7.3 2010 Russian Federation
## 85 8.3 2009 Russian Federation
## 86 6.2 2008 Russian Federation
## 87 6.0 2007 Russian Federation
## 88 7.1 2006 Russian Federation
## 89 7.1 2005 Russian Federation
## 90 7.8 2004 Russian Federation
## 91 8.2 2003 Russian Federation
## 92 7.9 2002 Russian Federation
## 93 9.0 2001 Russian Federation
## 94 10.6 2000 Russian Federation
## 95 13.0 1999 Russian Federation
## 96 13.3 1998 Russian Federation
## 97 11.8 1997 Russian Federation
## 98 9.7 1996 Russian Federation
## 99 9.4 1995 Russian Federation
## 100 8.1 1994 Russian Federation
## 101 5.9 1993 Russian Federation
## 102 5.2 1992 Russian Federation
## 103 12.2 1991 Russian Federation
## 106 7.7 2014 Ukraine
## 107 7.2 2013 Ukraine
## 108 7.5 2012 Ukraine
## 109 7.9 2011 Ukraine
## 110 8.1 2010 Ukraine
## 111 8.8 2009 Ukraine
## 112 6.4 2008 Ukraine
## 113 6.4 2007 Ukraine
## 114 6.8 2006 Ukraine
## 115 7.2 2005 Ukraine
## 116 8.6 2004 Ukraine
## 117 9.1 2003 Ukraine
## 118 9.6 2002 Ukraine
## 119 10.9 2001 Ukraine
## 120 11.6 2000 Ukraine
## 121 11.6 1999 Ukraine
## 122 11.3 1998 Ukraine
## 123 8.9 1997 Ukraine
## 124 7.6 1996 Ukraine
## 125 5.6 1995 Ukraine
## 126 7.0 1994 Ukraine
## 127 8.7 1993 Ukraine
## 128 7.5 1992 Ukraine
## 129 6.8 1991 Ukraine
ggplot(data = unemployment, aes(x = Year, y = `Unemployment (% of total labor force)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of Unemployment")+
ggtitle("Fig.35. Unemployment, total (% of total labor force)")+
facet_grid(Country~., scales = "free")
Из исследуемых стран самый низкий уровень оплаты труда, к сожалению, так же в Украине. И минимальные и средние зарплаты в 2013 году были в нашей стране существенно ниже. Следует отметить, что по уровню средней заработной платы Россия практически сравнялась с прибалтийскими странами, а Беларусь отстает от них всего на 10-15%, в то время как заработная плата в Украине в 2 раза ниже, чем в Латвии и Литве. (Рис.36-37)
MinWage
## Country EUR
## 1 Luxembourg 1921.03
## 2 Monaco 1593.67
## 3 San Marino 1525.33
## 4 Belgium 1501.82
## 5 Netherlands 1477.80
## 6 Ireland 1461.85
## 7 France 1430.22
## 8 United Kingdom 1293.22
## 9 Andorra 962.00
## 10 Slovenia 783.66
## 11 Spain 752.85
## 12 Malta 702.82
## 13 Greece 683.76
## 14 Portugal 565.83
## 15 Turkey 442.65
## 16 Poland 405.79
## 17 Croatia 397.97
## 18 Estonia 355.00
## 19 Slovakia 352.00
## 20 Hungary 335.27
## 21 Latvia 320.00
## 22 Czech Republic 309.09
## 23 Lithuania 289.62
## 24 Romania 190.48
## 25 Serbia 186.23
## 26 Republic of Macedonia 179.00
## 27 Bulgaria 173.84
## 28 Kosovo 170.00
## 29 Bosnia and Herzegovina 164.19
## 30 Albania 151.39
## 31 Montenegro 147.50
## 32 Russia 131.63
## 33 Belarus 130.52
## 34 Ukraine 111.99
## 35 Azerbaijan 103.67
## 36 Armenia 87.36
## 37 Moldova 57.97
## 38 Georgia 42.31
# Выбираем из таблицы необходимые для анализа страны.
minwagen <- grep("Latvia|Lithuania|Russia|Belarus|Ukraine", MinWage$Country)
# Создаем новую таблицу стран из анализируемых стран
MinWage_selected <- data.frame()
for(i in minwagen){
MinWage_selected <- rbind(MinWage_selected, MinWage[i,])
}
ggplot(data = MinWage_selected, aes(x = Country, y = EUR))+
geom_bar(colour="blue", fill = "darkorange", stat = "identity")+
xlab("Country")+
ylab("EUR")+
ggtitle("Fig.36. The minimum wage per month in 2013 (US dollars)")
AvWage
## Country USD
## 1 Switzerland 6301.73
## 2 Luxembourg 4479.80
## 3 Zambia 4330.98
## 4 Jersey 4323.25
## 5 Bermuda 4250.00
## 6 Norway 4215.43
## 7 Monaco 4142.78
## 8 Qatar 4038.08
## 9 Gibraltar 3990.69
## 10 Australia 3780.69
## 11 Cayman Islands 3313.01
## 12 Denmark 3269.62
## 13 United States 3258.85
## 14 British Virgin Islands 3200.00
## 15 Sweden 3181.11
## 16 United Arab Emirates 3081.34
## 17 The Bahamas 3025.00
## 18 Ireland 2991.21
## 19 United Kingdom 2960.54
## 20 Netherlands 2937.58
## 21 Finland 2924.10
## 22 Germany 2851.85
## 23 Aruba 2833.33
## 24 Japan 2782.43
## 25 Canada 2773.50
## 26 France 2761.99
## 27 Singapore 2759.38
## 28 Guam 2750.00
## 29 Greenland 2744.84
## 30 Andorra 2731.12
## 31 New Zealand 2693.05
## 32 Angola 2650.03
## 33 Belgium 2564.89
## 34 Hong Kong 2495.86
## 35 Guernsey 2495.43
## 36 Faroe Islands 2470.36
## 37 Austria 2457.33
## 38 New Caledonia 2425.32
## 39 Kuwait 2236.71
## 40 Brunei 2228.21
## 41 Iceland 2176.15
## 42 South Korea 2174.36
## 43 Italy 2117.76
## 44 Oman 2087.14
## 45 Reunion 1911.78
## 46 Israel 1874.63
## 47 Saudi Arabia 1786.07
## 48 Gabon 1704.12
## 49 Puerto Rico 1703.52
## 50 Spain 1635.15
## 51 Barbados 1625.00
## 52 Cyprus 1618.85
## 53 Malta 1562.20
## 54 French Polynesia 1502.12
## 55 Belize 1441.00
## 56 South Africa 1400.01
## 57 Mauritius 1337.74
## 58 Taiwan 1307.43
## 59 Slovenia 1275.66
## 60 Grenada 1250.00
## 61 Bahrain 1226.79
## 62 Curacao 1101.83
## 63 Malawi 1098.99
## 64 Equatorial Guinea 1087.50
## 65 Portugal 1081.73
## 66 Jamaica 1080.44
## 67 Czech Republic 1020.48
## 68 Argentina 1018.58
## 69 Lesotho 1017.82
## 70 Malaysia 979.60
## 71 Greece 953.44
## 72 Chile 949.50
## 73 Slovakia 947.95
## 74 Lebanon 937.16
## 75 Estonia 914.97
## 76 Poland 905.62
## 77 Croatia 869.71
## 78 Uruguay 862.60
## 79 Isle of Man 831.39
## 80 Suriname 808.02
## 81 Swaziland 786.93
## 82 Costa Rica 779.04
## 83 Panama 770.21
## 84 Brazil 757.92
## 85 Mozambique 757.22
## 86 Turkey 756.06
## 87 Nigeria 731.68
## 88 China 731.14
## 89 Mexico 729.94
## 90 Trinidad and Tobago 719.49
## 91 Latvia 713.11
## 92 Haiti 712.50
## 93 Fiji 710.22
## 94 Lithuania 701.28
## 95 Russia 686.16
## 96 Hungary 667.58
## 97 Sudan 650.00
## 98 Libya 644.09
## 99 Jordan 636.99
## 100 Namibia 633.02
## 101 Tanzania 632.67
## 102 Maldives 627.30
## 103 Kazakhstan 614.24
## 104 Nicaragua 592.50
## 105 Montenegro 589.82
## 106 Iraq 572.85
## 107 Guatemala 570.79
## 108 Venezuela 564.76
## 109 Bolivia 564.23
## 110 Bosnia and Herzegovina 562.45
## 111 Madagascar 533.33
## 112 Botswana 528.84
## 113 Azerbaijan 524.84
## 114 Honduras 522.86
## 115 Dominica 513.89
## 116 Serbia 507.08
## 117 Bulgaria 506.76
## 118 Thailand 502.78
## 119 Belarus 502.19
## 120 Zimbabwe 500.00
## 121 Peru 492.13
## 122 Dominican Republic 491.37
## 123 Romania 487.08
## 124 Kenya 481.21
## 125 Colombia 474.66
## 126 Cameroon 466.74
## 127 Mongolia 464.89
## 128 Rwanda 460.00
## 129 India 452.11
## 130 Iran 447.61
## 131 Albania 434.19
## 132 Paraguay 425.61
## 133 Saint Lucia 421.11
## 134 Morocco 415.59
## 135 Mali 400.00
## 136 Tunisia 393.03
## 137 Republic of Macedonia 386.85
## 138 Uganda 379.79
## 139 Turkmenistan 373.33
## 140 El Salvador 365.00
## 141 Uzbekistan 360.72
## 142 Ecuador 359.29
## 143 Ukraine 357.71
## 144 Sri Lanka 352.62
## 145 Democratic Republic of the Congo 351.83
## 146 Ghana 351.22
## 147 Somalia 350.00
## 148 Kyrgyzstan 350.00
## 149 Algeria 346.48
## 150 Bangladesh 340.22
## 151 Vietnam 334.60
## 152 Philippines 330.73
## 153 Armenia 312.89
## 154 Indonesia 304.25
## 155 Georgia 299.37
## 156 Burma 281.62
## 157 Laos 281.33
## 158 Papua New Guinea 274.10
## 159 Seychelles 267.21
## 160 Egypt 264.33
## 161 Burundi 256.25
## 162 Syria 251.75
## 163 Ethiopia 249.00
## 164 Moldova 244.09
## 165 Cambodia 243.94
## 166 Pakistan 239.31
## 167 Yemen 229.00
## 168 Afghanistan 213.58
## 169 Guyana 209.33
## 170 Senegal 200.00
## 171 Cape Verde 191.18
## 172 Tajikistan 187.27
## 173 Nepal 166.49
## 174 Samoa 63.82
## 175 Gambia 39.37
## 176 Cuba 25.05
# Выбираем из таблицы необходимые для анализа страны.
avwagen <- grep("Latvia|Lithuania|Russia|Belarus|Ukraine", AvWage$Country)
# Создаем новую таблицу стран из анализируемых стран
AvWage_selected <- data.frame()
for(i in avwagen){
AvWage_selected <- rbind(AvWage_selected, AvWage[i,])
}
ggplot(data = MinWage_selected, aes(x = Country, y = EUR))+
geom_bar(colour="darkorange", fill = "darkblue", stat = "identity")+
xlab("Country")+
ylab("USD")+
ggtitle("Fig.37. Average monthly wage in 2014 (US dollars)")
В зависимости от формы собственности, официальная заработная плата в Украине так же существенно отличалась. Традиционно, государственный сектор в официальных выплатах заработной платы, значительно опережал (почти в два раза) и частные, и коммунальные предприятия. (см.Рис.37а)36. Для промышленности и сельского хозяйства характерны те же тенденции, что и в целом по всем видам экономической деятельности. Отдельно необходимо подчеркнуть, что официальная статистика говорит только об официальных выплатах, никак не учитывая практику «зарплат в конвертах», особо характерных для частного сектора.
# Подготовка данных для Рис.37а.
Salaries_total <- data.frame(colnames(Salaries)[-c(1:2)])
for (i in 3:13){
Salaries_total[i-2,2] <- as.numeric(as.character(Salaries[1,i]))
}
colnames(Salaries_total) <- c("Organizational forms of employment in Ukraine", "Average wage level in UAH")
# Средний уровень заработных плат Украины в разрезе организационных форм в 2015 г (%)
Salaries_total
## Organizational forms of employment in Ukraine Average wage level in UAH
## 1 State.owned.enterprises. 5570
## 2 Public.enterprises. 3509
## 3 Joint.Stock.Companies 6213
## 4 LTD 4320
## 5 Branches 4872
## 6 Private.companies 2564
## 7 State.government.authorities 3419
## 8 Local.government.authorities 2988
## 9 state.organization..institution.. 3683
## 10 public..communal..organization..institution. 2881
## 11 Other.forms 4579
ggplot(data = Salaries_total, aes(x = `Organizational forms of employment in Ukraine`, y = `Average wage level in UAH`))+
geom_bar(colour="darkorange", fill = "white", stat = "identity")+
xlab("Organizational form")+
ylab("Average wage level in UAH")+
ggtitle("Fig.37a. Official salaries in Ukraine
depending on the organizational form of
the facility in 2015 (UAH)") +
coord_flip()
# Подготовка данных для Рис.37б.
Salaries_industry <- data.frame(colnames(Salaries)[-c(1:2)])
for (i in 3:13){
Salaries_industry[i-2,2] <- as.numeric(as.character(Salaries[3,i]))
}
colnames(Salaries_industry) <- c("Organizational forms of employment", "Salaries in industry (UAH)")
Salaries_industry <- filter(Salaries_industry, `Salaries in industry (UAH)` > 0)
# Средний уровень заработных плат в промышленном секторе экономики Украины в разрезе организационных форм в 2015 г (%)
Salaries_industry
## Organizational forms of employment Salaries in industry (UAH)
## 1 State.owned.enterprises. 5040
## 2 Public.enterprises. 3510
## 3 Joint.Stock.Companies 5466
## 4 LTD 3900
## 5 Branches 5686
## 6 Private.companies 2422
## 7 Local.government.authorities 1989
## 8 state.organization..institution.. 3770
## 9 public..communal..organization..institution. 2503
## 10 Other.forms 4489
ggplot(data = Salaries_industry, aes(x = `Organizational forms of employment`, y = `Salaries in industry (UAH)`))+
geom_bar(colour="darkorange", fill = "white", stat = "identity")+
xlab("Organizational form")+
ylab("Average wage level in UAH")+
ggtitle("Fig.37b. Official wages in Ukraine in industry, depending on the
organizational form of the facility in 2015 (UAH)") +
coord_flip()
# Подготовка данных для Рис.37в.
Salaries <- read.xlsx("salaries by economic activity.xlsx", sheetName="salaries by econom.act.", header=TRUE)
Salaries_agriculture <- data.frame(colnames(Salaries)[-c(1:2)])
for (i in 3:13){
Salaries_agriculture[i-2,2] <- as.numeric(as.character(Salaries[2,i]))
}
colnames(Salaries_agriculture) <- c("Organizational forms of employment", "Salaries in Agriculture (UAH)")
Salaries_agriculture <- filter(Salaries_agriculture, `Salaries in Agriculture (UAH)` > 0)
# Средний уровень заработных плат в аграрном секторе экономики Украины в разрезе организационных форм в 2015 г (%)
Salaries_agriculture
## Organizational forms of employment Salaries in Agriculture (UAH)
## 1 State.owned.enterprises. 4465
## 2 Public.enterprises. 3254
## 3 Joint.Stock.Companies 3621
## 4 LTD 3275
## 5 Branches 3796
## 6 Private.companies 2902
## 7 state.organization..institution.. 2776
## 8 Other.forms 2499
ggplot(data = Salaries_agriculture, aes(x = `Organizational forms of employment`, y = `Salaries in Agriculture (UAH)`))+
geom_bar(colour="darkorange", fill = "white", stat = "identity")+
xlab("Organizational form")+
ylab("Average wage level in UAH")+
ggtitle("Fig. 37c. Official wages in Ukraine in agriculture, depending
on the organizational form of the facility in 2015 (UAH)") +
coord_flip()
Данные для построения графа 38 взяты из глобальной международной базы данных WorldBank. На момент последней редакции данной работы, эти и другие данные были доступны по ссылке http://data.worldbank.org/indicator/NE.GDI.TOTL.ZS.* Данные графиков 39-47 взяты, в первую очередь, из раздела «Промышленность» Статистического ежегодника Украины за 2013 г. (на момент последней редакции работы его можно было загрузить по ссылке library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf. Кроме того, для удобства читателей, данный документ доступен для скачивания и на нашем сайте ___). Именно этот ежегодник крайне интересен с точки зрения анализа динамики промышленного производства, поскольку по некоторым показателям приводит данные за 2000 год, а иногда и 1990-1991 года. Даже архивы сайта Государственного комитета статистики по объемам производства приводят данные, в лучшем случае, начиная с 2003 года. (http://www.ukrstat.gov.ua/ Статистична інформація / Економічна статистика / Економічна діяльність /Промисловість / Виробництво основних видів промислової продукції). Для удобства работы данные за все года, взятые из этих источников, собраны в авторских таблицах показателей производства основных видов продукции добывающей* (https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/Extractive%20industry.xlsx ) и перерабатывающей (https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/Processing%20industry_fin.xlsx ) промышленности Украины Данные графиков 48-49 так же можно найти на сайте Госкомстата (http://www.ukrstat.gov.ua Економічна статистика /Зовнішньоекономічна діяльність/Експорт-імпорт окремих видів товарів за країнами світу). Данные таблицы в формате excel, подготовленные госкомстатом, для удобства читателя, так же можно загрузить и на нашем сайте.
За годы независимости блестящий рост индустриального производства показала Беларусь, увеличив его только за 10 последних лет почти в 8 (!!!) раз. Положительная динамика так же характерна и для РФ (+25%), Латвии и Литвы (17% и 20%) соответственно (Рис 38). Украина за 10 лет осталась практически на том же месте, показав прирост меньше 1%. Этого, к сожалению, недостаточно даже для компенсации уровня инфляции, составлявшего, в частности для доллара США, в котором измеряется данный показатель, в среднем 2% ежегодно37.
#Industrial_production
# НЕ ГОТОВО----------------------
industrial_production <- Quandl("WGEM/UKR_IPTOTNSKD")
#industrial_production <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NE.GDI.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) #%>% select(value, date, country)
#for(i in 1:24){
# gdp_data_ua$value[i] <- gdp_data_ua$value[i]/1000000000
#}
#colnames(gdp_data_ua) <- c("GDP Billions USD", "Year", "Country")
#gdp_data_ua
#ggplot(data = gdp_data_ua, aes(x = Year, y = `GDP Billions USD`, group = 1))+
# geom_line(colour="darkorange", size = 1)+
# geom_point(colour = "black", size = 2)+
# geom_smooth(method = "loess")+
#
# xlab("Year")+
# ylab("Billions USD")+
# ggtitle("Fig.19. GDP of Ukraine 1992-2015. (Nom. US dollars). + Gross capital formation (% of GDP)")
Если же говорить о конкретных объемах производства товаров, то он снизился практически для всех отраслей промышленности. При чем, в основном это коснулось машиностроения а так же добывающей и перерабатывающей промышленности, т.е.тех групп, которые затронула приватизация.
Так, например, в нефтеперерабатывающей промышленности за период с 1990 по 2013 гг: первичная переработка нефти сократилась в 17 раз, изготовление кокса снизилось в 2 раза, изготовление битума в 25 раз.
В химической промышленности за тот же период, например, производство серной кислоты снизилось в 4 раза, гидроксида натрия – в 7 раз, шин резиновых – в 37 раз.
В производстве металлургической продукции, например, производство чугуна снизилось в 1,5 раза, производство стали – в 3 раза, производство труб в 3,6 раза.
В машиностроении, например, производство тракторов сократилось в 25 раз, производство легковых автомобилей – в 3 раза, производство автобусов – более чем в 5 раз, телеприемников – в 10 раз, ламп электрических – в 2,5 раз, велосипедов – в 18,7 раза (Рис.39-42)39.
ProcessingIndustry.Nan <- ProcessingIndustry %>% filter(Value > 0)
product_names39 <- c("Coke-oven coke of coking coal", "Primary oil processing", "Oil asphalt and shore bitumen")
fig39 <- data.frame()
for (i in product_names39){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig39 <- rbind(fig39, temp)
}
fig39$Year <- as.numeric(fig39$Year)
ggplot(data = fig39, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand tones")+
ggtitle("fig39. Manufacture of coke and certain types of products of oil refining")+
facet_grid(ProductName~., scales = "free")
product_names40 <- c("Sulphuric acid,", "Sodium hydroxide (caustic soda)", "Rubber tires")
fig40 <- data.frame()
for (i in product_names40){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig40 <- rbind(fig40, temp)
}
fig40$Year <- as.numeric(fig40$Year)
ggplot(data = fig40, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand tones")+
ggtitle("Fig.40. Production of some types of substances in basic inorganic chemicals")+
facet_grid(ProductName~., scales = "free")
product_names41 <- c("Cast iron", "Steel without semi-finished products produced through continuous casting", "Pipes of large and small diameters, hollow sections made of ferrous metals")
fig41 <- data.frame()
for (i in product_names41){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig41 <- rbind(fig41, temp)
}
fig41$Year <- as.numeric(fig41$Year)
ggplot(data = fig41, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Million tones")+
guides(fill=FALSE)+
ggtitle("Fig.41. Production of selected types of products of metallurgical production
(million tons)")+
facet_grid(ProductName~., scales = "free")
product_names42 <- c("Tractors for agriculture and forestry", "Motor cars", "Buses")
fig42 <- data.frame()
for (i in product_names42){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig42 <- rbind(fig42, temp)
}
fig42$Year <- as.numeric(fig42$Year)
ggplot(data = fig42, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand units")+
geom_smooth(method = "loess")+
ggtitle("Fig.42. Production of selected types of machine-building products
(thousand units)")+
facet_grid(ProductName~., scales = "free")
Интересующийся слушатель может ознакомиться с более подробной подборкой статистических показателей развития (а точнее упадка) промышленности Украины за этот период, которая, например, приведена в «Статистическом ежегоднике Украины за 2013». К большому сожалению автора, слушатель только убедиться в том, что и в других отраслях промышленности ситуация аналогичная.
Даже такая отрасль, как производство продуктов питания, спрос на продукцию которой, казалось бы, есть всегда, по многим видам товаров сократила производство в разы. Например, объемы производства сыров упали на 13%, Муки – в 3 раза, сахара – более чем в 5 раз, хлеба и хлебобулочных изделий – почти в 1,5 раза, колбасных изделий – в 3 раза, масла сливочного – более чем в 5 раз.
product_names43 <- c("Cheese with high fat content", "Flour", "White crystalline sugar", "Bread and flour products", "Sausages", "Butter")
fig43 <- data.frame()
for (i in product_names43){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig43 <- rbind(fig43, temp)
}
fig43$Year <- as.numeric(fig43$Year)
ggplot(data = fig43, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand units")+
ggtitle("Fig.43. Manufacture of individual food products")+
geom_smooth(method = "loess")+
facet_grid(ProductName~., scales = "free")
Кроме того, катастрофическое падение производства, например, в станкостроении, говорит и о том, что отрасли, «инструментарий» для обеспечения работы которых производило станкостроение, так же находятся в бедственном положении. Так, например, только по сравнению с 2003 годом (уже далеко не лучшим годом украинской промышленности) в 2015 году производство прессов и ковальных машин упало в 37 раз, станков для обработки дерева, токарных и фрезеровальных станков – в 3 раза. (Рис.44)
product_names44 <- c("Presses and forge machines", "Lathes for wood processing", "Lathes, grinders, drillers, milling machines")
fig44 <- data.frame()
for (i in product_names44){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig44 <- rbind(fig44, temp)
}
fig44$Year <- as.numeric(fig44$Year)
ggplot(data = fig44, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Pieces")+
geom_smooth(method = "loess")+
#theme(legend.position = "bottom",
# legend.spacing = unit(1, "cm"))+
ggtitle("Fig.44. Production of some machine-tool products")+
facet_grid(ProductName~., scales = "free")
Падение производства различных комплектующих для электронных приборов, так же свидетельствует о плачевном положении дел в целой отрасли. Так, производство автоматической аппаратуры регулирования и управления, снизилось почти в 43 раза, электродвигателей и генераторов – в 8 раз (постоянного тока) и 4 раза (универсальных). Холодильников и стиральных машин стали производить, соответственно, в 8 и 3 раза меньше. (Рис.45).
product_names45 <- c("Devices and facilities for automatic regulation and management", "DC motors and dc generators", "Ac motors and ac generators, universal motors")
fig45 <- data.frame()
for (i in product_names45){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig45 <- rbind(fig45, temp)
}
fig45$Year <- as.numeric(fig45$Year)
ggplot(data = fig45, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Pieces")+
geom_smooth(method = "loess")+
#theme(legend.position = "bottom",
# legend.spacing = unit(1, "cm"))+
ggtitle("Fig.45. Production of some goods and components of instrument manufacture")+
facet_grid(ProductName~., scales = "free")
Но при этом, добывающая промышленность либо не снижает темпы, либо даже наращивает их. Так, добыча каменного угля возросла на 3%, торфа на 20%, природного газа – на 16%. Добыча железорудных концентратов увеличилась больше чем в 1,5 раза, добыча гипса и ангидрида – более чем в 2 раза., добыча известняка осталась на прежнем уровне, добыча песка возросла на 20% а гальки и гравия – на 30%. Добыча коалина и коалиновой глины увеличилась на 15 процентов, а соли и хлорида натрия – на 22% (рис. 46)41.
ExtractiveIndustry.Nan <- ExtractiveIndustry %>% filter(Value > 0)
product_names46 <- c("Coal available", "Non-agglomerate fuel peat (conventional moisture)", "Natural gas", "Non-agglomerated iron concentrates", "Agglomerated iron concentrates", "Gypsum and anhydrite", "Limestone", "Natural sands", "Pebbles, gravel, macadam and crushed stone", "Kaolin and other kaolinitic clay", "Salt and pure sodium chloride")
fig46 <- data.frame()
for (i in product_names46){
temp <- ExtractiveIndustry.Nan %>% filter(ProductName == i)
fig46 <- rbind(fig46, temp)
}
fig46$Year <- as.numeric(as.character(fig46$Year))
ggplot(data = fig46, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(aes(colour = Units), stat = "identity")+
xlab("Years")+
ylab("Units")+
ggtitle("Fig. 46. Production of some products of the extractive industry by years.")+
facet_grid(ProductName~., scales = "free")
Выводы, которые очевидны из подобной статистики, к сожалению, не новы и неутешительны. Украина быстрыми темпами превращается в сырьевой придаток, если не колонию, более развитых стран мира. Некоторые косвенные показатели так же свидетельствуют о катастрофическом снижении темпов производства. Так, например, потребление топливно-энергетических ресурсов для производственно-эксплуатационных нужд снизилось в 2,2 раза (Рис.47.)42.
cons.energy <- data.frame(Million.tons=c(325.9, 186.1, 175.7, 157.1, 145.7), Year=as.factor(c(1990, 1995, 2007, 2011, 2013)))
#Потребление топливно-энергетических ресурсов для производственно-эксплуатационных нужд по годам (млн.т.у.т.)
cons.energy
## Million.tons Year
## 1 325.9 1990
## 2 186.1 1995
## 3 175.7 2007
## 4 157.1 2011
## 5 145.7 2013
ggplot(data = cons.energy, aes(x = Year, y = Million.tons, fill = Million.tons))+
geom_bar(colour = "black", stat = "identity")+
xlab("Years")+
ylab("Million tons of equivalent fuel")+
ggtitle("Fig. 47.Consumption of fuel and energy resources for production and
maintenance needs by years (Million tons of equivalent fuel)")
Авторам думается, что любой житель Украины среднего возраста назовет из своего опыта или информации, запомнившейся из сообщений СМИ, хотя бы один частный пример продажи «на металлолом» некогда прибыльного, работавшего в три смены предприятия. Особенно эта практика была присуща периоду «большой приватизации» (до 2000 года). Некоторым образом, оперируя общими цифрами, эту тенденцию можно отследить и в динамике сокращения экспорта металлолома из Украины после завершения этапа «большой приватизации». Так, с 2006 по 2016 гг. экспорт лома черных металлов снизился почти в 3 раза. (рис.48.)43.
scrap.export <- data.frame(thousand.US.dollars=c(745.9, 637.28, 664.74, 366.54, 252.08), Year=as.factor(c(2006, 2008, 2010, 2012, 2016)))
#Экспорт лома черных металлов по годам (тыс.дол.США)
scrap.export
## thousand.US.dollars Year
## 1 745.90 2006
## 2 637.28 2008
## 3 664.74 2010
## 4 366.54 2012
## 5 252.08 2016
ggplot(data = scrap.export, aes(x = Year, y = thousand.US.dollars, fill = thousand.US.dollars))+
geom_bar(colour = "black", stat = "identity")+
xlab("Years")+
ylab("thousand US dollars")+
ggtitle("Fig.48. Export of ferrous scrap by years")
Честно говоря, хотелось бы объяснить такое снижение другими, более оптимистичными, причинами – например, увеличением потребления лома металлургической промышленностью Украины за счет ее стремительного развития, но, к сожалению, это не так. Динамика снижения экспорта продуктов металлургии за тот же период более чем в 2 раза (Рис. 49)44. и снижение общих объемов производства основных изделий этой отрасли, приведенные выше, подтверждают это.
scrap.export <- data.frame(thousand.US.dollars=c(745.9, 637.28, 664.74, 366.54, 252.08), Year=as.factor(c(2006, 2008, 2010, 2012, 2016)))
#Экспорт лома черных металлов по годам (тыс.дол.США)
scrap.export
## thousand.US.dollars Year
## 1 745.90 2006
## 2 637.28 2008
## 3 664.74 2010
## 4 366.54 2012
## 5 252.08 2016
ggplot(data = scrap.export, aes(x = Year, y = thousand.US.dollars, fill = thousand.US.dollars))+
geom_bar(colour = "black", stat = "identity")+
xlab("Years")+
ylab("thousand US dollars")+
ggtitle("Fig.49. Exports of products from non-precious metals by years")
К сожалению, отрасль судостроения в целом не представлена в официальных открытых отчетах Госкомстата Украины. По этому авторы пользовались некими иллюстративными фактами, демонстрирующими состояние промышленности в целом, взятых из публикаций СМИ. Тем не менее, те статистические данные, которые удалось собрать, представлены отдельным листом в авторских таблицах раздела Индустриальное производство.
Судостроение Украины - это самый жестокий, но при этом, и самый показательный пример постсоветской деградации промышленности. Это прискорбный пример того, как успешную, прибыльную, наукоемкую, престижную, обладающую колоссальными фондами и потенциалом отрасль можно уничтожить за 25 лет. В период независимости Украина вошла, унаследовав 30% судостроительных активов СССР45. Страна могла проектировать и производить любые корабли: авианосцы, эсминцы, противолодочные корабли, ракетные крейсеры, а так же суда торгового флота. Кроме того, это был один из редчайших случаев, когда на территории одной республики СССР, ставшей независимым государством, находился полный производственно-технологический цикл отрасли: от разработчиков, через производство (что, опять же крайне важно и крайне редко для постсоветских республик - основанное на локальном сырье и комплектующих), и вплоть до подготовки обслуживающего персонала. Но, поистине, уникальным явлением было то, что кроме производственного цикла Украине достался и вполне дееспособный экономический цикл – производство, вся необходимая инфраструктура (порты), и самое главное, в отличие от многих других отраслей - мощный внутренний заказчик на продукцию судостроения в лице 7 судоходных компаний (одна из которых была второй по величине в мире!) так же находился в Украине. Ибо, по формальным законам либеральной экономики, «свалившимся» на молодую Украину после экономики государственного планирования, смерть такой отрасли, как, например, космостроение, не просто простительна, а, скорее, неизбежна: внутри страны осталась только часть производственного цикла, только 30% из необходимых комплектующих могли производиться на локальном рынке, полностью отсутствовала инфраструктура (ни одного космодрома), и, самое главное, единственный привычный заказчик, которого обслуживала отрасль – в лице оборонпрома СССР – канул в лету. А вот судостроение, по тем же законам либеральной экономики, наоборот, должно было расцвести, стать главной бюджето-образующей отраслью Украины, вывести ее в «лидеры судостроительной отрасли мира». Итак, в 1991 году Украина с гордостью могла называться «морской державой», получив «в наследство» от СССР следующее:
ВНУТРЕННИЙ ГРАЖДАНСКИЙ ЗАКАЗЧИК:
ВНУТРЕННИЙ ВОЕННЫЙ ЗАКАЗЧИК:
ПРОИЗВОДСТВО И РЕМОНТ:
ЛОКАЛЬНЫЕ КОМПЛЕКТУЮЩИЕ И ОБОРУДОВАНИЕ:
ИНФРАСТРУКТУРА:
ИССЛЕДОВАНИЯ, ПРОЕКТИРОВАНИЕ И РАЗРАБОТКИ:
ПОДГОТОВКА ПЕРСОНАЛА:
Мировая практика показывает, что тяжелые отрасли промышленности, такие как, например, судостроение или авиационная и космическая промышленность, развиваются только в тех странах, где существует сильный внутренний заказчик – обычно в лице государства - создающий спрос на продукцию этих отраслей на внутреннем рынке и проводящий политику поддержки внутреннего производителя. И действительно, окончательная деградация украинского судостроения началась именно с разорения судоходных компаний Украины, а так же плачевного состояния ВМСУ, как и всей Армии в целом. Так, Черноморское морское пароходство владело в 1990 году 300 судами различных типов общим дедвейтом 5 млн т. На 1991 г. цена ЧМП составляла $7 млрд, флот насчитывал 295 судов и 1100 единиц вспомогательных судов. Суда списывались как устаревшие, передавались в оффшорные компании в управление, арестовывались в заграничных портах «за долги». На начало 1998 г. на балансе пароходства оставалось уже 15 судов, а в 2004 г. - всего 647. Вторая по величине в мире (!) судоходная компания перестала существовать. (см.Рис.50.).
Black.Sea.Shipping.Company <- data.frame(Year=c(1990, 1992, 1998, 2004), `Number of ships`=c(300, 255, 15, 6))
ggplot(data = Black.Sea.Shipping.Company, aes(x = Year, y = Number.of.ships, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(aes(size = Number.of.ships, color = Number.of.ships))+
xlab("Year")+
ylab("Number of ships")+
ggtitle("Fig. 50. Dynamics of changes in the number of vessels in the
possession of the Black Sea Shipping Company (units)")
Азовское морское пароходство– шестая по величине компания, входящая в состав Министерства морского флота СССР. Это было одно из самых обновленных морских пароходств страны. В состав флота на 24 августа 1991 г. входило 146 судов: сухогрузы, балкеры, контейнеровозы, танкеры дедвейтом от 3000 до 30 000 т. Кроме коммерческих судов АМП располагало мощными ледоколами и буксирами, судами портового флота. Собственный парк морских контейнеров (международного стандарта) позволял компании надежно перекрывать потребности пяти контейнерных линий. 1993 г. предопределил судьбу АМП. Фонд госимущества Украины подписал договор аренды с организацией арендаторов АМП. С этого времени началось повальное создание совместных предприятий за рубежом, там же создавались финансово-расчетные центры. Флот старел, не обновлялся, закупка новостроящихся судов не велась. 24 января 2003 г. решением Донецкого регионального фонда госимущества Украины по согласованию с Министерством транспорта и Антимонопольным комитетом Украины был досрочно прекращен договор аренды госимущества и организации аренды Азовского морского пароходства. На момент прекращения действия договора аренды в составе флота АМП числилось всего 33 действующих судна. Однако ни одно из этих 33 судов не было в прямом управлении пароходства. Пароходство было некредитоспособно, долги по зарплате, закупке бункера, снабжения, продовольствия, воды продолжали расти. Суда арестовывались в зарубежных портах и продавались. 24 сентября 2003 г. было создано ООО «Торговый флот Донбасса», которому было передано 33 судна бывшего АМП, возраст которых составлял 26-28 лет. Это все, что осталось от цветущей компании и ее современного флота. (Рис.51)49:
#Fig. 51. Dynamics of changes in the number of vessels in the possession of the Azov Shipping Company (units).
Azov.Shipping.Company <- data.frame(Year=as.factor(c(1990, 2004)), `Number of ships`=as.factor(c(146, 33)))
ggplot(data = Azov.Shipping.Company, aes(x = Year, y = Number.of.ships))+
geom_bar(colour="darkblue", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("Number of ships")+
ggtitle("Fig. 51. Dynamics of changes in the number of vessels in the
possession of the Azov Shipping Company (units).")
В период 1992—1997 г. ВМСУ фактически не существовали в качестве самостоятельного компонента Вооруженных Сил Украины. Корабли бывшего КЧФ ВМФ СССР формально осуществляли свою боевую службу под совместным командованием России и Украины. После подписания 28 мая 1997 года «Соглашения между Российской Федерацией и Украиной о параметрах раздела Черноморского флота» был осуществлён окончательный раздел Черноморского флота СССР. В соответствии с договором, ВМС Украины были переданы 43 боевых корабля, 132 судов и катеров50:. В 2012 году в составе ВМСУ уже осталось только 25 кораблей и 54 обслуживающих судов. Плачевное состояние, в котором остались ВМС Украины после крымского кризиса еще менее утешительно – общий итог – всего около 50 единиц флота (Рис.52).
#Fig.52. The Ukrainian Navy. Number of fleet units by year (units)
Navy.ships <- data.frame(Year=as.factor(c(1997, 2012, 2015)), `Number of ships`=as.factor(c(175, 79, 50)))
ggplot(data = Navy.ships, aes(x = Year, y = Number.of.ships))+
geom_bar(colour="darkblue", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("Number of ships")+
ggtitle("Fig.52. The Ukrainian Navy. Number of fleet units by year (units)")
Итак, первый важнейший компонент успешного развития отрасли – наличие внутреннего заказчика, т.е. спроса на продукцию - был уничтожен. Гражданский заказчик в лице пароходств практически прекратил свое существование к 2004-2005 гг, военный заказчик, фактически, так и не появился. На этом, по большому счету, можно было бы и закончить, поскольку в стране, где нет мощного флота, не может быть развитого судостроения. Но мы, все же, сделаем попытку отследить дальнейшую судьбу отрасли. К сожалению, отрасль судостроения в целом не представлена в официальных открытых отчетах Госкомстата Украины. По этому авторам придется пользоваться некими иллюстративными фактами, демонстрирующими состояние судостроительных заводов Украины, взятых из открытых источников. Так, предприятия знаменитого николаевского судостроительного треугольника (Черноморский судостроительный завод, Завод им.62 коммунара и завод «Океан») перед распадом СССР насчитывали более 65 тыс.чел.персонала. За время независимости, количество работников заводов сократилось в 38 раз, и на сегодняшний день составляет 1700 чел. Так, ЧСЗ сократил персонал с 40000 до 800 человек, заводе им. 61 коммунара с 13000 до 700, завод «Океан» - с 12000 до 200. (рис.53)51.
# Creation of a data frame of the employees of the main shipbuilding plants of Nikolaev for 1990 and 2015
shipbuilding.employees <- data.frame(Employees=as.numeric(c(40000, 13000, 12000, 800, 700, 200)), Year= gl(2, 3, labels = c(1990, 2015)), Shipbuilding.enterprise = rep(c("Black Sea Shipyard", "61. Kommunara", "Ocean"), 2))
ggplot(data = shipbuilding.employees, aes(x = Year, y = Employees, fill = Shipbuilding.enterprise))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Number of employees")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.53. Number of employees of 3 shipbuilding plants of Nikolaev
by years (people)")
Количество сотрудников 3-х кораблестроительных заводов Николаева по годам
shipbuilding.employees
## Employees Year Shipbuilding.enterprise
## 1 40000 1990 Black Sea Shipyard
## 2 13000 1990 61. Kommunara
## 3 12000 1990 Ocean
## 4 800 2015 Black Sea Shipyard
## 5 700 2015 61. Kommunara
## 6 200 2015 Ocean
Справедливости ради надо отметить, что эти три предприятия принадлежат к разным формам собственности. Старейшая верфь Николаева – Государственный завод имени 61-го коммунара, ныне находится в ведении УкрОборнПрома. В советские времена на заводе строили эсминцы, противолодочные корабли пр.1134Б типа «Николаев» и ракетные крейсеры пр.1164 типа «Слава», которые, по заключению зарубежных экспертов, были лучшими в мире в своем классе в то время52. Сейчас же завод продолжает накапливать долги и провоцировать недовольство немногочисленного персонала, который периодически напоминает о себе, выходя на акции протеста с перекрытием дорог и требованием выплатить долги по зарплате53, при этом завод иногда выполняет единичные заказы по профилю, и с гордостью осваивает производство «буржуек» для воинов АТО54. ЧСЗ, принадлежащий Публичному акционерному обществу «Смарт Мэритайм Груп» так же выполняет единичные заказы по профилю, и «соптимизировав» количество сотрудников до 540 человек, под модным названием «Индустриальный парк»55 открывает пункт перевалки грузов. А самый технологически новый судостроительный завод города Николаева – «Океан» - уже несколько лет находится в перманентном процессе банкротства (сумма требований кредиторов составляет 1 млрд 813,15 млн грн56) а так же не вылезает из скандальных рейдерских захватов и судебных разбирательств, о которых так любят писать в СМИ.
Возвращаясь к общим цифрам, нужно отметить, что к моменту распада СССР кадровый потенциал кораблестроительной отрасли Украины составлял более 200 тыс.чел57, в 2010 году – порядка 50 тыс.чел., а в 2016 году - всего 12 тыс.чел58, т.е. сократился почти в 17 раз. (рис.54).
# Creation of a data frame of the personnel potential of the shipbuilding industry of Ukraine by years
# Создание таблицы данных кадрового потенциала судостроительной отрасли Украины по годам
human.resources.shipbuilding <- data.frame(Year=as.factor(c(1990, 2010, 2016)), `Number of people`=as.factor(c(220000, 50000, 12000)))
ggplot(data = human.resources.shipbuilding, aes(x = Year, y = Number.of.people))+
geom_bar(colour="darkorange", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("Person")+
ggtitle("Fig.54. Personnel potential of Ukrainian shipbuilding industry
for years (pers.)")
Кадровый потенциал судостроительной отрасли Украины по годам
human.resources.shipbuilding
## Year Number.of.people
## 1 1990 220000
## 2 2010 50000
## 3 2016 12000
Катастрофически сократились, конечно же, и объемы производства отрасли - с 2.млрд.дол.США59 в 1988 году до 300 млн.дол.США (в 15 раз) в 2006 г. (рис.55)60, и до 150 млн.дол.США (в 30 раз по сравнению с 1988 г), в 2015 году.
# Creating a data frame of production volumes of shipbuilding industry in Ukraine by years
# Создание таблицы данных объема производства судостроительной отрасли Украины по годам
shipbuilding.industry <- data.frame(Year = as.factor(c(1990, 2006, 2015)), `Volumes.of.production(million USD)` = as.factor(c(2000, 300, 150)))
ggplot(data = shipbuilding.industry, aes(x = Year, y = Volumes.of.production.million.USD.))+
geom_bar(colour="darkorange", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("million USD")+
ggtitle("Fig. 55. Volumes of production of the shipbuilding industry of Ukraine
(million US dollars)")
Объемы производства судостроительной отрасли Украины (млн.ном.дол.США)
shipbuilding.industry
## Year Volumes.of.production.million.USD.
## 1 1990 2000
## 2 2006 300
## 3 2015 150
Хотя 150 млн.долларов кажется огромной суммой, но для судостроения – это мизерная цифра. Средняя рыночная стоимость одного современного надводного корабля составляет 200 млн.дол.США61. Другими словами, вся судостроительная отрасль Украины в 2015 году «наработала» ¾ корабля, которые раннее ежегодно десятками сходили со стапелей судостроительных заводов Украины. Все эти цифры тем более прискорбно осознавать с учетом того, что, как отмечают эксперты, при грамотном использовании потенциала «морской державы», полученного Украиной в День Независимости, только доля морских перевозок составляла бы более 15 процентов сегодняшнего ВВП страны, а судостроение и ремонт составили бы еще 10 процентов ВВП62.
*Данные, проанализированные в этом разделе, взяты из официального ежегодного отчета Антимонопольного комитета Украины за 2015 год, который на момент последней редакции данной работы был опубликован на сайте АМКУ в разделе «Отчеты и публикации», и был доступен для скачивания по ссылке http://www.amc.gov.ua/amku/doccatalog/document?id=122547&schema=main . Для удобства читателя данный отчет так же загружен на сайт____.*
В начале 2015 года в Украине на рынках с конкурентной структурой реализовывалось всего 42,7 % общего объема продукции. Это самый низкий показатель за последние 15 лет (с 2000 года), когда рынки с конкурентной структурой в Украине составляли больше половины (почти 54%). За эти же 15 лет вырос объем рынка с признаками коллективного доминирования или олигопольных рынков (на которых доля трех крупнейших хозяйствующих субъектов превышала 50 процентов) – с 11,6 до 16,7 %. Рынки с признаками единоличного доминирования (на которых доля крупнейшего предприятия составляла более 35 процентов) так же возросли на 8 % (с 22,7 до 30,8). Доля монополизированных рынков (на которых доля крупнейшего предприятия составляла более 90 процентов) незначительно снизилась (с 11,8 до 9,8% соответственно). См. рис.56 и рис.5763.
Monopoly_ua.2015 <- Monopoly_ua %>% filter(Year == 2015)
ggplot(Monopoly_ua.2015, aes(x="", y=`Market.share(%)`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`Market.share(%)`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.56. Monopolization of the Ukrainian market in 2015 (%)")
Монополизация рынка Украины в 2015 г. (%)
Monopoly_ua.2015
## Market.type Year Market.share(%)
## 1 Competitive markets 2015 42.7
## 2 Oligopoly 2015 16.7
## 3 Markets with signs of dominance 2015 30.8
## 4 Monopolized markets 2015 9.8
Monopoly_ua <- arrange(Monopoly_ua, Year)
ggplot(data = Monopoly_ua, aes(x = Market.type, y = `Market.share(%)`, fill = Market.type))+
geom_bar(colour = "black", stat = "identity")+
xlab("Market share(%)")+
ylab("Market type")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 57. Dynamics of monopolization of the Ukrainian market
by years (%)")+
coord_flip()+
facet_grid(Year~., scales = "free")
Динамика монополизации рынка Украины по годам (%)
Monopoly_ua.2015
## Market.type Year Market.share(%)
## 1 Competitive markets 2015 42.7
## 2 Oligopoly 2015 16.7
## 3 Markets with signs of dominance 2015 30.8
## 4 Monopolized markets 2015 9.8
Изучая условия конкуренции на рынках Украины в разрезе видов экономической деятельности, можно прийти к следующим результатам. По состоянию на 2015 год, наибольшая доля рынка с конкурентной структурой принадлежала отрасли сельского хозяйства – 95,67%. Так же больше половины рынка имели конкурентную структуру для операций с недвижимостью (80,94%), финансов и страхования (71,39%), оптовой и розничной торговли (66,48%), перерабатывающей промышленности (50,74%). От 50 до 30% товаров и услуг реализовывались в конкурентной среде в строительстве (49,3%), администрировании (40,73%), информации и телекоммуникации (33,91%). От 30 до 10 процентов рынка с конкурентной структурой были в деятельности отелей и ресторанов (28,27%), профессиональной, научной и технической деятельности (25,65), а так же транспорта (19,02). В наименьшей мере конкурентная структура рынка была в сфере культуры, спорта и досуга (3,08%), а так же в добывающей промышленности – всего 0,9%. В сфере водоснабжения, водоотведения и обращения с отходами, а так же в поставке электроэнергии, газа, пара, и др.. – конкурентная структура отсутствовала вовсе – 0% (Рис.58)64.
Monopoly_by_activity.compet <- Monopoly_by_activity %>% filter(Type.of.the.market == "Competitive markets") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.compet, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Level (in %)")+
ylab("Economic activity")+
ggtitle("Fig. 58 Competitive structure of markets by types of economic activity in 2015 (%)")+
coord_flip()
Конкурентная структура рынков по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.compet
## Economic.activity Type.of.the.market %
## 1 Agriculture, forestry, fishery Competitive markets 95.67
## 2 Real estate Competitive markets 80.94
## 3 Finance and Insurance Competitive markets 71.39
## 4 Wholesale and retail trade (incl. auto) Competitive markets 66.48
## 5 Processing industry Competitive markets 50.74
## 6 Construction Competitive markets 49.30
## 7 Administration and services Competitive markets 40.73
## 8 Information and telecommunications Competitive markets 33.91
## 9 Other services Competitive markets 29.89
## 10 Hotels and restaurants Competitive markets 28.27
## 11 Prof., scientific and tech. activities Competitive markets 25.65
## 12 Transport, storage, mail Competitive markets 19.02
## 13 Culture, sport, leisure Competitive markets 3.08
## 14 Extracting industry Competitive markets 0.90
## 15 Supply of electricity, gas, etc. Competitive markets 0.00
## 16 Water supply and sanitation Competitive markets 0.00
Рынки с признаками коллективного доминирования или олигопольные рынки (на которых доля трех крупнейших хозяйствующих субъектов превышала 50 процентов) были наиболее характерны для добывающей (50,54%) и перерабатывающей промышленности (22,94%), сферы финансов и страхования (19,78%), а так же строительства (18,05%) (рис.59)65.
Monopoly_by_activity.oligopoly <- Monopoly_by_activity %>% filter(Type.of.the.market == "Oligopoly") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.oligopoly, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Economic activity")+
ylab("Level (in %)")+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 59 Markets with collective dominance (oligopoly) by
types of economic activity in 2015 (%)")+
coord_flip()
Конкурентная структура рынков по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.oligopoly
## Economic.activity Type.of.the.market %
## 1 Extracting industry Oligopoly 50.45
## 2 Processing industry Oligopoly 22.94
## 3 Finance and Insurance Oligopoly 19.78
## 4 Construction Oligopoly 18.05
## 5 Other services Oligopoly 11.36
## 6 Administration and services Oligopoly 10.99
## 7 Wholesale and retail trade (incl. auto) Oligopoly 10.45
## 8 Hotels and restaurants Oligopoly 9.99
## 9 Information and telecommunications Oligopoly 5.77
## 10 Prof., scientific and tech. activities Oligopoly 5.09
## 11 Transport, storage, mail Oligopoly 3.83
## 12 Culture, sport, leisure Oligopoly 1.58
## 13 Agriculture, forestry, fishery Oligopoly 1.33
## 14 Real estate Oligopoly 0.30
## 15 Supply of electricity, gas, etc. Oligopoly 0.00
## 16 Water supply and sanitation Oligopoly 0.00
Рынки с признаками единоличного доминирования (на которых доля крупнейшего предприятия составляла более 35 процентов) были наиболее характерны для сферы культуры, спорта и досуга (91,5%), поставки электроэнергии, газа, пара, и др. (69,52%), отельного и ресторанного бизнеса (61,6%), информации и телекоммуникаций (60,15%) а так же добывающей промышленности (47,44%) (рис.60)66.
Monopoly_by_activity.dominance <- Monopoly_by_activity %>% filter(Type.of.the.market == "With signs of dominance") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.dominance, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Economic activity")+
ylab("Level (in %)")+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 60 Markets with signs of sole dominance by types
of economic activity in 2015 (%)")+
coord_flip()
Рынки с признаками единоличного доминирования по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.dominance
## Economic.activity Type.of.the.market %
## 1 Culture, sport, leisure With signs of dominance 91.52
## 2 Supply of electricity, gas, etc. With signs of dominance 69.52
## 3 Hotels and restaurants With signs of dominance 61.60
## 4 Information and telecommunications With signs of dominance 60.15
## 5 Other services With signs of dominance 50.20
## 6 Extracting industry With signs of dominance 47.44
## 7 Administration and services With signs of dominance 44.50
## 8 Transport, storage, mail With signs of dominance 39.38
## 9 Processing industry With signs of dominance 25.00
## 10 Construction With signs of dominance 22.60
## 11 Wholesale and retail trade (incl. auto) With signs of dominance 20.49
## 12 Real estate With signs of dominance 18.16
## 13 Finance and Insurance With signs of dominance 6.88
## 14 Prof., scientific and tech. activities With signs of dominance 4.54
## 15 Water supply and sanitation With signs of dominance 3.84
## 16 Agriculture, forestry, fishery With signs of dominance 2.77
И, наконец, монополии (рынки, на которых доля крупнейшего предприятия составляла более 90 процентов) по видам экономической деятельности были представлены следующим образом. Самый монополизированный рынок в Украине в сфере водоснабжения, водоотведения и обращения с отходами (96,16%), научная, техническая и профессиональная деятельность (64,72%), транспорт, складское хозяйствование, почта и курьерская доставка (33,7%) а так же поставка электроэнергии, газа, пара и др. (30,48%) (рис.61)67.
Monopoly_by_activity.monopoly <- Monopoly_by_activity %>% filter(Type.of.the.market == "Monopolized markets") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.monopoly, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Economic activity")+
ylab("Level (in %)")+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 61. Monopolies by types of economic activity in 2015 (%)")+
coord_flip()
Монополии по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.monopoly
## Economic.activity Type.of.the.market %
## 1 Water supply and sanitation Monopolized markets 96.16
## 2 Prof., scientific and tech. activities Monopolized markets 64.72
## 3 Transport, storage, mail Monopolized markets 37.77
## 4 Supply of electricity, gas, etc. Monopolized markets 30.48
## 5 Construction Monopolized markets 10.04
## 6 Other services Monopolized markets 8.55
## 7 Culture, sport, leisure Monopolized markets 3.81
## 8 Administration and services Monopolized markets 3.77
## 9 Wholesale and retail trade (incl. auto) Monopolized markets 2.58
## 10 Finance and Insurance Monopolized markets 1.95
## 11 Processing industry Monopolized markets 1.32
## 12 Extracting industry Monopolized markets 1.22
## 13 Real estate Monopolized markets 0.61
## 14 Agriculture, forestry, fishery Monopolized markets 0.22
## 15 Information and telecommunications Monopolized markets 0.18
## 16 Hotels and restaurants Monopolized markets 0.15
По отраслям национальной экономики конкурентные условия рынка выглядят следующим образом (рис.62-67)68:
Fuel.energy.m <- Monopoly_by_branches %>% filter(Branch == "Fuel and energy complex") %>% arrange(desc(`%`))
ggplot(Fuel.energy.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.62. The fuel and energy complex")
Топливно-энергетический комплекс
Fuel.energy.m
## Market.type Branch %
## 1 Markets with signs of dominance Fuel and energy complex 72.7
## 2 Monopolized markets Fuel and energy complex 25.5
## 3 Oligopoly Fuel and energy complex 1.6
## 4 Competitive markets Fuel and energy complex 0.2
agro.industrial.m <- Monopoly_by_branches %>% filter(Branch == "Agrarian and industrial complex") %>% arrange(desc(`%`))
ggplot(agro.industrial.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig. 63. Agro-industrial complex")
Аграрно-промышленный комплекс
agro.industrial.m
## Market.type Branch %
## 1 Competitive markets Agrarian and industrial complex 73.0
## 2 Markets with signs of dominance Agrarian and industrial complex 16.6
## 3 Oligopoly Agrarian and industrial complex 8.8
## 4 Monopolized markets Agrarian and industrial complex 1.6
mining.metall.m <- Monopoly_by_branches %>% filter(Branch == "Mining and metallurgical complex") %>% arrange(desc(`%`))
ggplot(mining.metall.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.64. Mining and metallurgical complex")
Горно-металлургический комплекс
mining.metall.m
## Market.type Branch %
## 1 Competitive markets Mining and metallurgical complex 55.2
## 2 Oligopoly Mining and metallurgical complex 33.9
## 3 Markets with signs of dominance Mining and metallurgical complex 10.4
## 4 Monopolized markets Mining and metallurgical complex 0.4
transport.communication.m <- Monopoly_by_branches %>% filter(Branch == "Transport and communication") %>% arrange(desc(`%`))
ggplot(transport.communication.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.65. Transport and communication")
Транспорт и связь
transport.communication.m
## Market.type Branch %
## 1 Markets with signs of dominance Transport and communication 51.8
## 2 Monopolized markets Transport and communication 30.0
## 3 Competitive markets Transport and communication 15.1
## 4 Oligopoly Transport and communication 3.0
construction.m <- Monopoly_by_branches %>% filter(Branch == "Construction") %>% arrange(desc(`%`))
ggplot(construction.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.66. Construction")
Строительство
construction.m
## Market.type Branch %
## 1 Competitive markets Construction 49.3
## 2 Markets with signs of dominance Construction 22.6
## 3 Oligopoly Construction 18.1
## 4 Monopolized markets Construction 10.0
trade.m <- Monopoly_by_branches %>% filter(Branch == "Trade") %>% arrange(desc(`%`))
ggplot(trade.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.67. Trade")
Торговля
trade.m
## Market.type Branch %
## 1 Competitive markets Trade 66.5
## 2 Markets with signs of dominance Trade 20.5
## 3 Oligopoly Trade 10.5
## 4 Monopolized markets Trade 2.6
Данные для построения графиков 68-69 а так же 74 были взяты из архива ежегодно публикуемых на сайте комитета статистики соответствующих показателей (на момент последней редакции работы активные ссылки на данные показатели были, соответственно, http://www.ukrstat.gov.ua/operativ/menu/menu_u/ioz.htm и http://www.ukrstat.gov.ua/operativ/operativ2016/zd/ivu/ivu_u/ivu0116.html) . Данные для рисунка 73 – из глобальной базы данных World Bank - http://data.worldbank.org/indicator/BX.KLT.DINV.CD.WD. Кроме того, авторские таблицы, сформированные из этих данных, доступны для скачивания на нашем сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments%20in%20the%20fixed%20assets.xlsx.* Данные для графиков 70-72 взяты из Статистического ежегодника Украины за 2013 г. (на момент последней редакции работы его можно было загрузить по ссылке library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf.* *Данные графиков 75 и 76 формировались на основе показателей глобальной базы данных NationMaster http://www.nationmaster.com/country-info/stats/Economy/Foreign-direct-investment и статьи http://eucham.eu/charts/153-2015-03-foreign-direct-investment-per-capita-in-europehttp://eucham.eu/charts/153-2015-03-foreign-direct-investment-per-capita-in-europe.*
Данные для построения графа 77 взяты из глобальной международной базы данных .World Bank. На момент последней редакции данной работы, эти и другие данные были доступны по ссылке http://data.worldbank.org/indicator/NE.GDI.TOTL.ZS.* Данные для графиков 78 и 79 формировались из показателей глобальной базы данных Мирового Банка. Исходные таблицы в разных форматах, в том числе и excel, можно загрузить по ссылкам http://data.worldbank.org/indicator/BX.KLT.DINV.CD.WD и http://data.worldbank.org/indicator/NY.GSR.NFCY.CD (на момент последней редакции работы).*
С 2004 по 2015 инвестиции в основные фонды предприятий Украины составили более 262 млрд.дол.США. Если посмотреть на график вложения капиталов в основные фонды по годам, то его пики вполне соответствуют росту и кризисам мировой экономики (резкое падение в 2008-2009 гг), падению гривны, а так же значительному уменьшению уровня инвестиций начиная с 2013 г (начало политической нестабильности в Украине). А 2015 год - год, когда в статистику уже не попадали данные по Крыму, а курс гривны «провалился» как никогда ранее – вообще показал итог в два раза ниже 2004 года. (см.рис.68)69.
f.a.i.year <- data.frame()
for(i in 2004:2015){
temp <- FixedAssetsInvestments %>% filter(Year==i) %>% summarise(Year = i, `Million USD`=sum(million.USD))
f.a.i.year <- rbind(f.a.i.year, temp)
}
ggplot(data = f.a.i.year, aes(x = Year, y = `Million USD`, group = 1))+
geom_line(colour="darkblue", size = 1)+
geom_point(colour="darkorange", size = 2)+
xlab("Year")+
ylab("Million USD")+
ggtitle("Fig.68. Investments in fixed assets of Ukrainian enterprises
by years (million US dollars).")
В разрезе видов экономической деятельности основным бенефициаром инвестиций стала промышленность Украины, в основные фонды которой было вложено более 94 млрд.ном.дол.США или 36% от общих инвестиций в основные фонды страны. На втором месте операции с недвижимостью и аренда - 40 млрд.дол.США или 15% общих инвестиций, на третьем месте транспорт, что включает в себя так же и услуги по логистике, перевозкам и склады, - 31 млрд.дол.США или 12% общих инвестиций. Далее с небольшим разрывом следуют строительство (порядка 20 млрд.дол.США) и сельское хозяйство (17 млрд.дол.США),. «Почта и связь», которые с 2013 года именуются уже «телекоммуникация и связь» на седьмом месте с объемом привлеченных инвестиций в 13,6 млрд.дол.США. Государственное управление, категория, которая с 2013 года включает в себя так же и оборону, и обязательное страхование, составило 4,1 млрд., или 1,6%. Здравоохранение и образование на предпоследнем и последнем месте, с показателями 3,2 млрд.и 2,09 млрд. (1,3% и 0,8%) соответственно.
category <- c("Agriculture, hunting and forestry", "Industrial production", "Construction", "Trade; repair of motor vehicles, household appliances and personal demand items", "Activity of hotels and restaurants", "Activity of transport and communications", "activity of mail and communications", "Financial activity", "Real estate activities, renting, engineering and provision of services to businessmen", "Public administration", "Education", "other serivices")
f.a.i.category <- data.frame(Category = "", `Million USD` = as.numeric(""))
for(i in category){
temp <- FixedAssetsInvestments %>% filter(Category==i) %>% summarise(Category = i, `Million USD`=sum(million.USD))
names(f.a.i.category) <- names(temp)
f.a.i.category <- rbind(f.a.i.category, temp)
}
f.a.i.category <- f.a.i.category[-1,]
f.a.i.category <- f.a.i.category %>% arrange(desc(`Million USD`))
ggplot(data = f.a.i.category, aes(x = Category, y = `Million USD`, fill = Category))+
geom_bar(colour = "black", stat = "identity")+
xlab("Category of economic activity")+
ylab("Million USD")+
guides(fill=FALSE)+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.69. Investments in fixed assets of enterprises by types of
economic activity from 2004 to 2015. (Million USD)") +
coord_flip()
С 2013 года как отдельный вид экономической деятельности выносится «профессиональная, научная и техническая деятельность», с показателем инвестиций по накопительному итогу за 3 года в 737 млн.дол.США. К сожалению, неизвестно, в каких отраслях экономики данный крайне интересный для анализа показатель находился раннее, и отследить его динамику за более длительный период не представляется возможным. Однако, если анализировать только три года (с 2013 по 2015гг), то инвестиции в данный показатель составил бы почти 1,5% общего объема инвестиций, заняв 3-е место с конца после здравоохранения и образования. При этом интересно сравнить данный «рейтинг» с динамикой роста износа основных средств украинских предприятий. Так, в целом по всем предприятиям, износ основных средств с 2000 по 2012 г. возрос с 47,3 в 2000 году до 76,7% в 2012. (Рис.70)
# Creating a data table with comparative information on depreciation of fixed assets of Ukrainian enterprises
# Создание таблицы данных со сравнительнной информацией износа основных средств украинских предприятий
Depreciation_fixed_assets$Year <- as.factor(Depreciation_fixed_assets$Year)
Depreciation_fixed_assets$Depreciation.of.fixed.assets..... <- as.factor(Depreciation_fixed_assets$Depreciation.of.fixed.assets.....)
depreciation.fa <- Depreciation_fixed_assets[25:26,]
ggplot(data = depreciation.fa, aes(x = Year, y = `Depreciation.of.fixed.assets.....`))+
geom_bar(colour="darkblue", fill = "white", stat = "identity")+
xlab("Year")+
ylab("% of Depreciation")+
ggtitle("Fig. 70. Degree of depreciation of fixed assets of Ukrainian enterprises
by years (%).")
**_Степень износа основных средств украинских предприятий по годам (%)**
depreciation.fa
## Economic.activity Year Depreciation.of.fixed.assets.....
## 25 Total 2000 2000 43.7
## 26 Total 2012 2012 76.7
Просто катастрофический износ средств наблюдался в транспортной инфраструктуре и перевозках грузов – 96%. На втором месте находилась промышленность (57,3%) а так же строительство (55,1%), получающая на протяжении тех же лет практически в два раза больше инвестиций в основные фонды. Оптовая и розничная торговля, отели и рестораны выглядят самыми «обновленными» - 42% и 33,4% износа соответственно. Отдельно необходимо отметить, что единственная отрасль – сельское хозяйство, за указанный период уменьшило износ основных средств 43,7% до 34,6%. (Рис.71).
# Creating a data table with comparative information on depreciation of fixed assets of Ukrainian enterprises
# Создание таблицы данных со сравнительнной информацией износа основных средств украинских предприятий
depreciation.fa12 <- Depreciation_fixed_assets %>% filter(Year==2012)
ggplot(data = depreciation.fa12[-13,], aes(x =
Economic.activity, y = `Depreciation.of.fixed.assets.....`))+
geom_bar( colour="darkblue", fill = "white", stat = "identity")+
xlab("Type of economic activity")+
ylab("% of Depreciation")+
coord_flip()+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.71. Rating of depreciation of fixed assets by types of
economic activity 2012 (%).")
Рейтинг степени износа основных средств по видам экономической деятельности 2012 г (%)
depreciation.fa12[-13,]
## Economic.activity Year Depreciation.of.fixed.assets.....
## 1 Agriculture 2012 34.6
## 2 Industry 2012 57.3
## 3 Construction 2012 55.1
## 4 Wholesale and retail trade 2012 42
## 5 Hotels and restaurants 2012 33.4
## 6 Transport 2012 96
## 7 Financial activities 2012 45.6
## 8 Operations with real estate 2012 42.5
## 9 Public administration 2012 51.4
## 10 Education 2012 43.6
## 11 Health care and social payments 2012 42.4
## 12 other services 2012 46.7
# Creating a data table with comparative information on depreciation of fixed assets of Ukrainian enterprises
# Создание таблицы данных со сравнительнной информацией износа основных средств украинских предприятий
depreciation.faTotal <- Depreciation_fixed_assets[-c(25:26),]
ggplot(data = depreciation.faTotal, aes(x =
Year, y = `Depreciation.of.fixed.assets.....`))+
geom_bar( aes(fill=Economic.activity), stat = "identity")+
xlab("Type of economic activity")+
ylab("% of Depreciation")+
facet_grid(.~Economic.activity, scales = "free")+
ggtitle("Fig. 72. Depreciation of fixed assets by economic activities by year (%).")
Рейтинг степени износа основных средств по видам экономической деятельности 2012 г (%)
depreciation.fa12[-13,]
## Economic.activity Year Depreciation.of.fixed.assets.....
## 1 Agriculture 2012 34.6
## 2 Industry 2012 57.3
## 3 Construction 2012 55.1
## 4 Wholesale and retail trade 2012 42
## 5 Hotels and restaurants 2012 33.4
## 6 Transport 2012 96
## 7 Financial activities 2012 45.6
## 8 Operations with real estate 2012 42.5
## 9 Public administration 2012 51.4
## 10 Education 2012 43.6
## 11 Health care and social payments 2012 42.4
## 12 other services 2012 46.7
Иностранные инвестиции в Украину государственный комитет статистики публикует «по накопительному итогу». С 1994 года, когда этот показатель стал учитываться комитетом статистики Украины, общие иностранные инвестиции к 2013 году составили 58,15 млрд.дол.США70. После того, как в 2014 году из статистики были исключены территории Крыма и зоны проведения АТО, этот показатель к концу 2015 году уменьшился до 43,37 млрд.дол.США. Т.е. только с точки зрения потери вложенных прямых иностранных инвестиций утрата этих регионов «стоила» экономике Украины почти 15 млрд.дол.США. Иностранные инвестиции в Украине имели явную тенденцию к росту, о чем свидетельствует линия тренда графика на рисунке 73. Конечно же, инвестиции крайне чувствительны как общемировым кризисам, по этому, мы наблюдаем резкое падение уровня инвестиций в Украине в 2009 г, что, очевидно, объясняется общемировым финансовым кризисом того периода.
# Получаем данные Ворлд Банка для получения информации о прямых инвестициях в страны, разбитых по уровню доходу
direct_investmentUA <- wb(country = c("UA"), indicator = "BX.KLT.DINV.CD.WD", startdate = 1990, enddate = 2016, removeNA = TRUE) %>% select(value, date, country)
# Для наглядности, делим все значения колонки value на 1 млрд
direct_investmentUA$value <- sapply(direct_investmentUA$value, function(x) x/1000000000)
direct_investmentUA$date <- as.numeric(direct_investmentUA$date)
ggplot(data = direct_investmentUA, aes(x = date, y = value, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(aes(size = value, color = value))+
xlab("Year")+
ylab("Billion USD")+
ggtitle("Fig.73. Foreign direct investment, net inflows.")
Прямые иностранные инвестиции в Украину по годам (млрд.дол.США)
direct_investmentUA
## value date country
## 2 3.050 2015 Ukraine
## 3 0.847 2014 Ukraine
## 4 4.509 2013 Ukraine
## 5 8.175 2012 Ukraine
## 6 7.207 2011 Ukraine
## 7 6.451 2010 Ukraine
## 8 4.769 2009 Ukraine
## 9 10.700 2008 Ukraine
## 10 10.193 2007 Ukraine
## 11 5.604 2006 Ukraine
## 12 7.808 2005 Ukraine
## 13 1.715 2004 Ukraine
## 14 1.424 2003 Ukraine
## 15 0.693 2002 Ukraine
## 16 0.792 2001 Ukraine
## 17 0.595 2000 Ukraine
## 18 0.496 1999 Ukraine
## 19 0.743 1998 Ukraine
## 20 0.623 1997 Ukraine
## 21 0.521 1996 Ukraine
## 22 0.267 1995 Ukraine
## 23 0.159 1994 Ukraine
## 24 0.200 1993 Ukraine
## 25 0.200 1992 Ukraine
Необходимо так же отметить, что за последние 10 лет в среднем 30% от общего объема так называемых «прямых иностранных инвестиций» в Украину - это инвестиции из таких стран как Кипр, Белиз, Виргинские Острова – оффшорных зон, т.е. это кругооборот денег, которые выходят из Украины через трансфертное ценообразование и заходят назад как прямые иностранные инвестиции. (Рис.74)
colnames(Offshore_investments) <- c("Year", "% of offshore zones investments")
ggplot(data = Offshore_investments, aes(x = Year, y = `% of offshore zones investments`, fill = `% of offshore zones investments`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Year")+
ylab("% of offshore zones investments")+
ggtitle("Fig.74. The share of offshore countries in foreign direct investment in Ukraine by
years (%)")
Доля оффшорных стран в прямых иностранных инвестициях в Украину по годам (%)
Offshore_investments
## Year % of offshore zones investments
## 1 2007 23.6
## 2 2008 25.2
## 3 2009 24.9
## 4 2010 25.5
## 5 2011 28.9
## 6 2012 35.2
## 7 2013 35.7
## 8 2014 32.5
## 9 2015 29.6
Среднее ежегодное значение инвестиций на душу населения в Украине за последние 25 лет самые низкое среди выбранных для сравнения стран – всего 69 дол.США. Это в два раза меньше, чем в РФ и в 4,5 раза меньше, чем в Латвии. (Рис.75)72. При этом, необходимо отметить, что если в 1995 году Латвия опережала РФ по количеству инвестиций на душу населения в 10 раз (!), то уже в 2014, РФ обогнала Латвию почти на 10% (рис.76)73.
# Рисунки 75-76 доклада удалены. 77 стал 75
direct_investment <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NE.GDI.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
direct_investment$date <- as.numeric(direct_investment$date)
ggplot(data = direct_investment, aes(x = date, y = value, fill = country))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("%")+
geom_smooth(method = "loess")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.75. Gross capital formation (% of GDP)")+
facet_grid(country~., scales = "free")
Из телевизионных выступлений, статей в прессе, других информационных потоков, говорящих о том, что «ЕС выделяет финансирование», «МВФ подтвердило очередной транш», «США готовы инвестировать в…», и так далее, автор уверен, у многих формируется ощущение, что «богатые» страны, в каком то роде помогают «бедным». Давайте рассмотрим инвестиции в разрезе уровня дохода стран, куда они попадают. И так, по классификации Мирового Банка75 к группе с «высоким уровнем дохода» относятся 79 стран мира, население которых составляет 1,2 млрд. человек. В группе с уровнем дохода «выше среднего» - 56 стран, общая численность населения которых - 2,6 млрд.чел. И в группах с уровнем дохода «низкий» и «ниже среднего» - 83 страны , общей численностью населения 3,6 млрд. Если принять как гипотезу, что «богатые» страны охотно инвестируют в «бедные», и сравнить инвестиционные потоки по этим группам, то, исходя из указанных цифр, прямые иностранные инвестиции должны в большей степени поступать в страны с низким и ниже среднего уровнем дохода. Однако, как свидетельствует статистика того же Мирового Банка76, на самом деле, все на оборот. Так, в 2015 году, инвестиции в страны с высоким уровнем дохода (79 стран, 1,2 млрд.чел. население) больше чем в 10 раз (!!!) превышали инвестиции в страны с уровнем дохода «низкий и ниже среднего» (83 страны, 3,6 млрд.чел. население). И подобная динамика наблюдалась и 10 и 20 лет назад (см. Рис 78).
# Подлючаемся к данным Ворлд Банка для получения информации о прямых инвестициях в страны, разбитых по уровню доходу
investment_income.level <- wb(indicator = "BX.KLT.DINV.CD.WD", startdate = 1990, enddate = 2015, removeNA = TRUE) #%>% select(value, date, country)
# Выделям строки со словом "income" и создем из них новую таблицу
temp <- grep("income", investment_income.level$country)
fdi <- data.frame()
for(i in temp){
fdi <- rbind(fdi, investment_income.level[i,])
}
# Удаляем из таблицы лишние строки со словом "excluding", и другие строки
temp <- grep("(excluding.)", fdi$country)
for(i in temp){
fdi <- fdi[-i,]
}
fdi <- fdi[-c(1:26, 40:52, 105:130, 157:182),]
# Для наглядности, делим все значения колонки value на 1 млрд
fdi$value <- sapply(fdi$value, function(x) x/1000000000)
# Создаем график
ggplot(data = fdi, aes(x = country, y = value, fill = country))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Pieces")+
geom_smooth(method = "loess")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 76. Investments in the level of income of countries 1990-2015. (Billions of USD)")+
coord_flip()+
facet_grid(date~., scales = "free")
Кроме того, благодаря тем же информационным потокам, мы, в какой-то мере начинаем считать «инвестиции» дружеской помощью, совершенно забывая о том, что «инвестор» и «благотворитель» - это совершенно разные вещи. Задача инвестора не в том, что бы помочь деньгами нуждающемуся, а в том, что бы вернуть вложенные средства, как можно быстрее, и с как можно большим доходом.
По этому, говоря о растущем уровне иностранных инвестиций, крайне важно упоминать и такой, мало принятый в Украине, но популярный в мировой статистической практике показатель, как чистый иностранный доход (Net income from abroad). Чистый иностранный доход это разница между общим значением дохода, полученного не-ризеднтами из страны и выплаченного не-резидентами для страны77. Он включает в себя все: доходы от трудовой деятельности, доходы от имущества и предпринимательский доход (что покрывает, собственно, инвестиционные доходы), а так же доходы от нефинансовой собственности (патенты, авторские права и т.д.). Данный показатель может быть как положительным, так и отрицательным. Его отрицательная величина означает, что «изъятых» не-резидентами из страны денег больше, чем «вложенных» в нее. Если говорить об Украине, то за все годы ее независимости, этот показатель всегда был отрицательным. Другими словами, не смотря на положительную динамику иностранных инвестиций, не-резидентами «изымается» из страны больше, чем вкладывается. Так, начиная с 1993 года из Украины было выведено на 32 млрд.долларов больше, чем «вложено» иностранным капиталом. В среднем, ежегодно «изымается» на 1,4 млрд. долларов больше, чем вкладывается. (см.Рис 77)
# Получаем данные Ворлд Банка о чистых иностранных доходах Украины
nfi.UA <- wb(country = c("UA"), indicator = "NY.GSR.NFCY.CD", startdate = 1990, enddate = 2016, removeNA = TRUE) %>% select(value, date, country)
# Для наглядности, делим все значения колонки value на 1 млн
nfi.UA$value <- sapply(nfi.UA$value, function(x) x/1000000)
nfi.UA$date <- as.numeric(nfi.UA$date)
ggplot(data = nfi.UA, aes(x = date, y = value, fill=value))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("million USD")+
geom_smooth(method = "loess")+
ggtitle("Fig.77. Net foreign income of Ukraine in 1993-2015 (million US dollars)")
Чистый иностранный доход Украины 1992-2015 гг (млн.дол.США)
nfi.UA
## value date country
## 2 -1192.24343 2015 Ukraine
## 3 -1558.47292 2014 Ukraine
## 4 -3098.21093 2013 Ukraine
## 5 -2968.33938 2012 Ukraine
## 6 -3796.00000 2011 Ukraine
## 7 -2009.00000 2010 Ukraine
## 8 -2440.00000 2009 Ukraine
## 9 -1540.00000 2008 Ukraine
## 10 -2117.00000 2007 Ukraine
## 11 -1722.00000 2006 Ukraine
## 12 -985.00000 2005 Ukraine
## 13 -798.76417 2004 Ukraine
## 14 -581.00000 2003 Ukraine
## 15 -606.00000 2002 Ukraine
## 16 -667.00000 2001 Ukraine
## 17 -942.00570 2000 Ukraine
## 18 -869.00886 1999 Ukraine
## 19 -844.66214 1998 Ukraine
## 20 -644.03508 1997 Ukraine
## 21 -572.28751 1996 Ukraine
## 22 -775.74069 1995 Ukraine
## 23 -341.03012 1994 Ukraine
## 24 -1584.51327 1993 Ukraine
## 25 -67.14286 1992 Ukraine
Аналогичная ситуация наблюдается не только в отношении Украины и других стран бывшего СССР, но в отношении «новых демократий» стран Европейского Союза. Например в 2015 году для Венгрии этот показатель составил минус 5,5 млрд.долларов, а для Польши - минус 16,5 млрд.долларов. Стоит ли удивляться, что для таких стран, как, например, Франция, Германия, США – этот показатель положительный? (см.Рис.80) (!!!! Другие Европейские страны. ПОКАЗАТЬ ЧТО ВСЕ ЗАБИРАЕТ НА СЕБЯ ГЕРМАНИЯ)
| Tables | Are | Cool |
|---|---|---|
| col 3 is | right-aligned | $1600 |
| col 2 is | centered | $12 |
| zebra stripes | are neat | $1 |
| Markdown | Less | Pretty |
|---|---|---|
| Still | renders |
nicely |
| 1 | 2 | 3 |
По данным ежегодных отчетов Фонда государственного имущества Украины http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html . Авторская таблица https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_ua.xlsx↩
Группы объектов приватизации: A - небольшие объекты, B, Г - большие и стратегические предприятия, Д - объекты незавершенного строительства, E - акции и доли, принадлежащие государству в уставном капитале хозяйственных обществ, Ж - социально-культурные объекты (образование, здравоохранение, научно-исследовательские компании).Более детально см.приложение 1.↩
Отчет Фонда государственного имущества Украины за 2004 г. Приложение 5. (к сожалению, нумерация страниц в приложениях данного отчета отсутствует) http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html↩
УМОВИ ЗАВЕРШЕННЯ ПРИВАТИЗАЦІЇ В УКРАЇНІ. Аналітичний звіт та рекомендації для Державної програми приватизації. Володимир Дубровський, Олександр Пасхавер, Лідія Верховодова, Барбара Блащик. Варшава, Київ - грудень 2007↩
“Статистичний щорічник України за 2013 рік”. ДЕРЖАВНА СЛУЖБА СТАТИСТИКИ УКРАЇНИ. За редакцією О.Г.Осауленка. Відповідальний за випуск. О.А. Вишневська. 2013. library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf. Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/number_of_enterprices_%20by_ownership_ua.xlsx↩
http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html↩
По данным ежегодных отчетов Фонда государственного имущества Украины http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html. Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_comulative_total.xlsx↩
Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_per_year.xlsx↩
Данные финансового портала МинФин http://index.minfin.com.ua/budget/ Данные авторской таблицы можно загрузить https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx↩
http://voxukraine.org/2015/01/23/outsourcing-privatization-attracting-capital-while-raising-efficiency/↩
Авторская таблица, составленная по данным отчета Фонда государственного имущества Украины за 2015 год доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_contracts_over_control.xlsx↩
Авторская таблица с данными доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/violations_in_%20the_%20contracts_over_control.xlsx↩
Авторская таблица с данными доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/penalties_per_violation_in_the_contracts_over_control.xlsx↩
Авторы хотели бы проанализировать все показатели (в первую очередь, сохранение основных видов деятельности и сохранение объемов производства.), но, к сожалению, подробная открытая статистика для этих показателей в нашей стране отсутствует. Данные, и то не полные (не все года), авторы смогли собрать из тех же отчетов Фонда госимущества только по приведенным в этой работе показателям: объем привлеченных инвестиций, количество предприятий, взявших обязательства касательно рабочих мест, вновь созданные рабочие места).↩
Авторская таблица, составленная на основе данных отчета Фонда государственного имущества Украины за 2015 год доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments_in_privatized_companies.xlsx↩
Авторская таблица, составленная на основе данных отчета Фонда государственного имущества Украины за 2015 год доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments_in_privatized_companies.xlsx↩
http://ua.censor.net.ua/news/405508/u_slujbi_zayinyatosti_na_obliku_stoyit_na_10_menshe_lyudeyi_nij_mynulogo_roku_rozenko↩
http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html. Авторская таблица доступна для скачивания https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/GDP_by_private_companies_ua_by_year.xlsx↩
https://ukrstat.org/uk/operativ/operativ2013/fin/kp_ed/kp_ed_u/arh_kzp_ed_u.htm↩
http://buklib.net/books/31118/ . Авторская таблица доступна для скачивания по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/labour.xlsx↩
Данные Государственного комитета статистики Украины за соответствующий год http://www.ukrstat.gov.ua/. Авторская таблица доступна для скачивания на сайте - https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/employed_in_economic_activity.xlsx↩
Сайт государственного комитета статистики Украины http://www.ukrstat.gov.ua/ (Публикации/рынок труда/ Праця України 2015/) (Разделы 6 и 7) http://www.ukrstat.gov.ua/druk/publicat/kat_u/publ11_u.htm . Авторская таблица доступна для скачивания на сайте - https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/labour%20force%20by%20economic%20activity.xlsx↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.IND.EMPL.ZS↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.AGR.EMPL.ZS↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.SRV.EMPL.ZS↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.UEM.TOTL.ZS↩
http://www.nationmaster.com/country-info/stats/Labor/Salaries-and-benefits/Monthly-minimum-wage↩
Данные глобальной базы данных NationMaster http://www.nationmaster.com/country-info/stats/Cost-of-living/Average-monthly-disposable-salary/After-tax .Хочется отметить, что средняя заработная плата в Украине после смены власти в 2014 году, в долларовом эквиваленте уменьшилась более чем в 2,5 раза.↩
Праця України 2015/ (Раздел 7) http://www.ukrstat.gov.ua/druk/publicat/kat_u/publ11_u.htm↩
https://www.statbureau.org/ru/united-states/inflation-charts-yearly↩
Статистичний щорічник України за 2013 рік. ДЕРЖАВНА СЛУЖБА СТАТИСТИКИ УКРАЇНИ. За редакцією О.Г.Осауленка. Відповідальний за випуск О.А. Вишневська. 2013 library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf↩
http://www.ukrstat.gov.ua/operativ/operativ2006/pr/prm_ric/prm_ric_u/vov2004_u.html↩
http://www.ukrstat.gov.ua/operativ/operativ2006/pr/prm_ric/prm_ric_u/vov2004_u.html↩
Статистичний щорічник України за 2013 рік”. ДЕРЖАВНА СЛУЖБА СТАТИСТИКИ УКРАЇНИ. За редакцією О.Г.Осауленка. Відповідальний за випуск О.А. Вишневська. 2013, стр. 88. library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf↩
ДОБАВИТЬ ССЫЛКУ !!!!!!!!!↩
ДОБАВИТЬ ССЫЛКУ !!!!!!!!!↩
http://voicesevas.ru/analytics/6994-sudostroenie-ukrainy-ot-avianoscev-k-burzhuykam.html↩
Судостроение Украины: прошлое и настоящее языком цифр и фактов. http://morvesti.ru/tems/detail.php?ID=53194↩
Там же.↩
Там же.↩
Там же.↩
Соглашение между Российской Федерацией и Украиной о параметрах раздела Черноморского флота↩
Судостроительная отрасль Украины: заводы разграблены, специалистов нет. http://economics.unian.net/industry/1111210-sudostroitelnaya-otrasl-ukrainyi-zavodyi-razgrablenyi-spetsialistov-net.html↩
http://job-sbu.org/sudostroenie-ukrainyi-patsient-skoree-mertv.html↩
Тупик «Океана». https://news.pn/ru/politics/169662↩
Судостроение Украины: от авианосцев к буржуйкам http://voicesevas.ru/analytics/6994-sudostroenie-ukrainy-ot-avianoscev-k-burzhuykam.html↩
http://hubs.ua/business/industrial-ny-j-park-na-baze-chsz-budet-rabotat-kak-biznes-inkubator-82030.html. Индустриальный парк на базе Черноморского судостроительного завода будет работать как бизнес-инкубатор↩
Николаевский судостроительный завод “Океан” продадут за долги. http://uc.od.ua/news/traffic/fleet/1184522.html↩
Судостроение Украины: 20 лет на пути в небытие http://nikvesti.com/news/politics/23527↩
Сжались вчетверо: какие перспективы у судостроения Украины. http://ports.com.ua/articles/szhalis-vchetvero-kakie-perspektivy-u-sudostroeniya-ukrainy↩
Судостроение Украины: 20 лет на пути в небытие http://nikvesti.com/news/politics/23527↩
Судостроение Украины (2007 г.) http://www.ukrexport.gov.ua/rus/economy/brief/ukr/3013.html↩
Мировой рынок надводных кораблей. https://topwar.ru/26714-mirovoy-rynok-nadvodnyh-korabley.html↩
Украина потеряла десятки миллиардов долларов на судоходстве http://www.segodnya.ua/blogs/kotlubaiblog/blog-kak-spasti-torgovoe-sudohodstvo-ukrainy-605293.html↩
Отчет Антимонопольного комитета Украины за 2015 год. стр.5 и 7 соответственно http://www.amc.gov.ua/amku/doccatalog/document?id=122547&schema=main .↩
Там же, стр.9↩
Там же, стр.9↩
Там же↩
Там же↩
Там же↩
http://www.ukrstat.gov.ua/operativ/menu/menu_u/ioz.htm и авторская таблица доступна для скачивания на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments%20in%20the%20fixed%20assets.xlsx.↩
http://www.ukrstat.gov.ua/operativ/operativ2016/zd/ivu/ivu_u/ivu0116.html. ДОБАВИТЬ ССЫЛКУ НА СОБСТВЕННЫЙ ИСТОЧНИК↩
http://eucham.eu/charts/153-2015-03-foreign-direct-investment-per-capita-in-europe и глобальная база данных NationMaster http://www.nationmaster.com/country-info/stats/Economy/Foreign-direct-investment↩
Там же↩
См.детальную классификацию стран Мировым Банком http://blogs.worldbank.org/opendata/new-country-classifications↩